CC BY
75
УДК 681.3.06
АВТОМАТИЗИРОВАННАЯ ТЕХНОЛОГИЯ АНАЛИТИЧЕСКОЙ ПОДДЕРЖКИ УПРАВЛЕНИЯ РАЗВИТИЕМ ПРОИЗВОДСТВА
Белобородова Наталья Андреевна к.эк. н., доцент, зав. кафедрой “Информационные технологии в управлении” Институт управления, информации и бизнеса, г. Ухта, Республика Коми
E-mail: [email protected]
Аннотация. Предлагаемая технология аналитической поддержки управления развитием производства основана на построении прогнозных моделей производства с использованием аппарата искусственных нейронных сетей. Позволяет рассчитать оптимальные варианты роста производства с точки зрения повышения доходности местного бюджета.
Summary. The offered technology of analytical support of management is based by development of production on creation of look-ahead models of production with use of the device of artificial neural networks. Allows to calculate optimum options of increase in production from the point of view of increase of profitability of the local budget
Ключевые слова: прогнозирование производства, прогнозные модели роста производства, искусственные нейронные сети.
Keywords: production forecasting, look-ahead models of increase in production, artificial neural networks
Введение. В данной статье рассматриваются средства автоматизации для построения моделей производства на территории муниципального образования (МО) в границах города с использованием искусственной нейронной сети (ИНС). Необходимость автоматизации разработки моделей производства обусловлена сложностью расчетов, что снижает эффективность методов ИНС. Только в автоматизированном режиме
прогнозирующие модели станут инструментом прогнозно-аналитических работ в системе управления на местном, локальном уровне.
Данное исследование выполнено на примере города Ухты, Республики Коми. Город Ухта является одним из промышленных центров республики, управление городом осуществляется местной администрацией на территории муниципального образования “Городской округ “Ухта”. Производственный потенциал города представлен, в основном, предприятиями нефтедобывающей и нефтеперерабатывающей промышленности, предприятиями и организациями, входящими в газотранспортную систему, а также, предприятиями строительного комплекса (стройиндустрия), предприятиями по производству электро-и-теплоэнергии, предприятиями агропромышленного комплекса, предприятиями по производству услуг (связь, геофизика, транспорт и т.д.).
Технология построения моделей прогнозирования производства.
На основании нормативных документов определяются показатели, характеризующие производство на территории муниципального образования (МО), например, добыча нефти, производство бензина, первичная переработка нефти, производство мазута и т.д. Показателям производства поставлены в соответствие переменные, например, X\,X2,...X\6 . Каждый показатель из данного списка может рассматриваться как фактор роста производства [1,2,4]. Y - прогнозируемый показатель, в данном примере, характеризующий рост доходов местного бюджета, Y рассматривается как зависимая переменная от остальных переменных, обозначенных Xi, характеризующих производство основных видов продукции в базовых отраслях МО.
Автоматизированная технология построения прогнозирующих моделей основана на применении программы-нейросимулятора Neuro Pro 0.25.
NeuroPro 0.25 представляет собой менеджер обучаемых искусственных нейронных сетей, работающий в среде MS Windows 95/NT/XP и
позволяющий производить такие базовые операции, как создание нейропроектов, подключение файлов (баз) данных в формате dBase, FoxPro, Clipper, Paradox и т.д.; редактирование файла данных - изменение существующих значений и добавление новых записей в базу данных; сохранение файлов данных.
Кроме того, в режиме нейрообработки данных, пакет позволяет осуществлять добавление в проект нейронной сети слоистой архитектуры с числом слоев нейронов от 1 до 10 и числом нейронов в слое до 100; обучение нейронной сети решению задачи прогнозирования или классификации; тестирование нейронной сети на файле данных и получение статистической информации о точности решения задачи; вычисление показателей значимости входных сигналов сети; упрощение нейронной сети; назначение требуемой точности прогноза и настройку нейронной сети.
Нейронные сети могут применяться как самостоятельный инструмент анализа и прогнозирования, а также могут быть использованы в комплексе с классическими или типовыми средствами (методами, алгоритмами) исследования сложных систем для уточнения характеристик или устранения противоречий.
1. Входная информация.
Данные подаются на вход нейронной сети в квантованном виде. В исследовании применялся алгоритм квантования (бинаризации) данных на основе пороговых значений [1,2,3,4]. При этом переменные принимали вид “1”, если наблюдался рост показателя, относительно порогового значения, и “0” во всех других случаях. Квантование переменных обусловлено тем, что прогнозируется не само значение показателя, а лишь его рост.
Подготовка данных выполняется средствами MS Excel, формат файлов базы данных .DBF, в Neuro Pro 0.25 исходные данные поступают при исполнении команды “Открыть файл”. Данные должны быть проверены на
непротиворечивость; в данном примере противоречивые данные исключены из состава записей файла формата .DBF.
2. Проверка исходных данных.
Проверка исходных данных выполняется средствами режима “Анализ обучающего множества” для последующего использования операции обучения ИНС.
В ходе предварительного анализа исходных данных установлено, что противоречивых данных не имеется.
3. Определение структуры ИНС.
Средствами Neuro Pro 0.25 путем подбора определена структура ИНС - 4-10-1: 4 входных нейрона, 10 нейронов промежуточного слоя, выходной нейрон - 1.
4. Режим обучения.
Исходные данные для режима обучения (обучающее множество):
Рисунок 1 - Режим подготовки исходных данных для обучения ИНС
Обучение ИНС прошло успешно, без ошибок - рисунок 2.
Рисунок 2 - Режим обучения ИНС
5. Тестирование ИНС.
Режим тестирования проводится после обучения ИНС. В данном случае тестирование ИНС прошло успешно, без ошибок, ИНС готова для построения и тестирования (прогноза) прогнозных вариантов моделей □рисунок 3.
Рисунок 3 - Режим тестирования ИНС
6. Режим тестирования ИНС на контрольном множестве значений
В процессе тестирования ИНС формируем т.н. контрольное множество данных, работа ИНС на контрольном множестве данных должна подтвердить правильную работу ИНС - рисунок 4.
Рисунок 4 - Подготовка контрольного множества значений
Рисунок 5 - Подготовка контрольного множества для тестирования ИНС
Рисунок 6 - Результаты тестирования ИНС на контрольном множестве
значений
Тестирование ИНС показало правильность работы ИНС.
7. Режим построения прогнозного варианта развития МО.
Совокупность сочетания всех вариантов четырех показателей дает возможность сформировать модель прогнозных вариантов развития МО -рисунок 7:
Рисунок 7 - Возможные варианты сочетания показателей развития МО
Запрос к обученной и протестированной ИНС на прогнозирование данных выдал следующий результат - рисунок 8:
Рисунок 8 - Прогноз сети Y к вариантам модели развития производства
Заключение. В ходе прогнозирования развития производства в МО использовалась ИНС, построенная средствами нейросимулятора Neuro Pro. ИНС протестирована. Обучение нейронной сети проведено на выборке из показателей предыдущих периодов (использовались данные за 2005 год, 2006 год, первую половину 2007 года. Для проверки прогнозной способности нейронной сети были использованы данные, ежемесячно учитываемые официальной статистикой в 2007 году.
Качество получаемых прогнозов во многом зависит от архитектуры используемой сети, режимов её обучения и от того, какие данные были подготовлены для подачи на вход нейронной сети и в каком виде. Поэтому подбор оптимальных режимов обучения, архитектуры и формы входных данных основывается на данных, полученных в результате эмпирических исследований и согласно методическим указаниям разработчика пакета -нейросимулятора для пользователей. Расчетные прогнозные варианты развития производства, полученные с помощью нейросетевой технологии обработки данных, имеют определенную структуру и параметры, объективно отражающие особенности развития территории МО.
Исследование нейросетевой модели производства показало, что прогнозируемый рост доходной части бюджета может быть обеспечен при условии, что производство мазута будет расти не менее чем на 1.8 тыс. тонн ежемесячно, производство стеновых материалов будет расти не менее чем на
0.19.млн. шт. усл. кирпича в месяц, производство скота и птицы на убой в сельском хозяйстве должно увеличиваться не менее чем на 8.7 тонн ежемесячно, производство услуг должно расти не менее, чем на 13.9 млн. рублей ежемесячно. При этом прогнозируемый доход в бюджет будет расти не менее, чем на 12648 тыс. рублей в месяц.
Результаты исследования нейросетевой модели развития
производства на территории муниципального образования могут быть использованы для выработки управляющих воздействий в системе управления на местном, локальном уровне.
Список Литературы
1. Белобородова Н.А. Модели, методы и алгоритмы прогнозирования динамики развития муниципального образования с использованием информационных технологий (на примере города Ухты, Республика Коми) [Текст] / Н.А. Белобородова - Ухта: Институт управления, информации и бизнеса, 2010. - 318 с. - КВК 978 - 5 - 9641 - 0025 - 6.
2. Белобородова Н.А. Модели прогнозирования развития экономики муниципального образования “Город Ухта” с использованием нейронных сетей [Текст] /Н.А. Белобородова // Сб. научных трудов: Материалы научнотехнической конференции, 16-18 апреля 2001 г. / УГТУ. Ухта, 2002. - С. 176180.
3. Щетинин В.Г. Анализ факторов экономического роста региона // Вопросы статистики. 1996. № 3. С. 40-46.
4. Щетинин В.Г. Самоорганизация минимальной нейронной сети // Нейроинформатика и ее приложения // СО РАН. Красноярск, 1996. С. 43-44.
