CC BY
25достигнуть поставленной цели. Заключительным этапом является внедрение модели и получение отчета о её работе [5].
На данный момент выполнены первые два шага: сформулирована цель исследования и подготовлена стратегия её достижения; собраны данные, проанализирована их структура. Проводится работа по переводу некоторых значений из одних шкал в другие, определению влияния факторов на результат.
В качестве метода изучения исходных данных используется инструментарий факторного анализа, так как он позволил установить степень влияния различных атрибутов на выручку в магазинах и сократить размерность пространства переменных атрибутов [6].
В результате проведенного исследования ожидается построение модели прогнозирования выручки. Данная модель будет реализована с использованием программной системы с возможностью пользователю самостоятельно корректировать настройки модели прогнозирования. Программная система позволит пользователю, даже не обладающему исчерпывающими знаниями в области математического моделирования экономических процессов, использовать модель и получать применимый для практики результат. Таким образом, будет построена система поддержки принятия решений по прогнозированию покупательской активности.
Библиографические ссылки
1. Deloitte, Global Powers of Retailing. Navigating the new digital divide. 14 с.
2. Чубукова И. А. Data Mining. 63 с.
3. Методы и модели анализа данных: OLAP и Data mining / А. А. Барсегян [и др.] // СПб. : БХВ-Петербург, 2004. 218 с.
4. Стандарт CRISP-DM.
5. Богатырёв С., Симонова А. Введение в добычу данных (Data Mining). 8 с.
6. Рой О. М. Исследования социально-экономических и политических процессов. СПб. : Питер, 2004. 274 с.
References
1. Deloitte, Global Powers of Retailing. Navigating the new digital divide. 14 с.
2. Chubukova I. A., Data Mining. 63 с.
3. Methods and data mining models: OLAP and Data Mining / A. A. Barsegian, M. S. Kupriianov, V. V. Stepa-nenko // Saint Petersburg : BKhV-Peterburg, 2004. 218 с.
4. CRISP-DM Standard.
5. Bogatyrev S., Simonova A. Introduction to Data Mining (Data Mining). 8 с.
6. Roy O. M., Investigations of socio-economic and political processes, SPb. : Saint Petersburg, 2004. 274 c.
© Бежитский С. С., Савченко Л. М., 2016
УДК 004.09
МЕТОДЫ ПРОГНОЗИРОВАНИЯ РЫНКА ЦВЕТНЫХ МЕТАЛЛОВ
Е. В. Бурдина, С. В. Ефремова
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Проблема прогнозирования, вследствие быстрых, порой плохо предсказуемых, изменений внешней среды, за последние десятилетия стала особенно важной. В условиях практически полной переориентации предприятий отечественной цветной металлургии на экспорт проблема прогнозирования изменения цен на цветные металлы на мировом рынке металлов приобретает особо острый характер.
Ключевые слова: временные ряды, прогнозирование, рынок, цветные металлы, нейронные сети.
FORECASTING MARKET OF NONFERROUS METAL METHODS E. V. Burdina, S. V. Efremova
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
The problem of forecasting, sometimes due to poorly predictable changes in the external environment over the past decade has become significantly difficult. In the context of an almost complete reorientation of the domestic non-ferrous metallurgy enterprises to export the problem of forecasting changes in prices for non-ferrous metals on the world metals market has become extremely acute.
Keywords: Times series, forecasting, market, non-ferrous metals, neural networks.
<Тешетневс^ие чтения. 2016
Необходимость прогнозирования объективна. Будущее многих явлений неизвестно, но весьма важно для решений, принимаемых в настоящий момент.
Проблема прогнозирования, вследствие быстрых, порой плохо предсказуемых, изменений внешней среды, за последние десятилетия стала особенно важной. С учетом этих трудностей и критичности ошибок в прогнозах некоторые специалисты были вынуждены заговорить о тщетности прогнозирования. На самом деле прогнозирование - это обязанность, которую в явной или неявной форме неизбежно должны выполнять все организации [1].
В современных условиях практически полная переориентация предприятий отечественной цветной металлургии на экспорт, обусловленная слабым платежеспособным спросом на цветные металлы потребителей на внутреннем рынке, с одной стороны, обеспечила их эффективную работу при переходе национальной экономики на рыночные отношения, а с другой - привела к значительной зависимости этого сектора экономики от колебаний конъюнктуры мирового рынка цветных металлов.
В этих условиях проблема прогнозирования изменения цен на цветные металлы на мировом рынке металлов приобретает особо острый характер [2].
Целью работы является сравнительный анализ эффективности работы методов прогнозирования для курса цен на мировом рынке алюминия и никеля (ежедневные поставки и трехмесячные фьючерсы).
Данные были взяты с Лондонской биржи металлов. Длина временных рядов была разной, в одном случае брались данные за три года, а в другом - за один. Прогноз делался на период длиной в один месяц. Для достижения поставленной цели проводился анализ существующей по данной тематике литературы, анализировалась работа методов прогнозирования.
Сначала анализировалась работа методов с использованием известных пакетов анализа данных Statistica и ST Neural Networks [3]. Это следующие три метода:
1. Метод авторегрессии и проинтегрированного скользящего среднего. Это важный класс параметрических моделей. Имеет большое практическое значение.
2. Экспоненциальное сглаживание. Этот метод позволяет сгладить наблюдаемый ряд, выделить из него шум и прогнозировать будущие значения.
3. С помощью STATISTICA Neural Networks рассматривались искусственные нейронные сети. Заметным преимуществом данного пакета является то, что в него естественно встроен огромный арсенал методов статистического анализа и визуализации данных.
При решении задач прогнозирования нейронные сети используются для предсказания поведения системы по имеющимся наблюдениям ее предыдущих состояний [4].
По полученным данным был проведен сравнительный анализ эффективности каждого метода прогнозирования. Главный вывод при использовании пакетов анализа данных состоит в том, что дальнейшее сужение множества методов прогнозирования является нецелесообразным. Но было принято реше-
ние попробовать углубиться в использование искусственных нейронных сетей для прогнозирования выбранных временных рядов с помощью созданного программного продукта [5-9].
И, как оказалось, было принято верное решение. При использовании различных комбинаций искусственных нейронных сетей прогноз получается более точным.
Лучшие результаты были показаны при прогнозировании небольшого количества значений, и лучшие результаты показал коллектив искусственных нейронных сетей, созданных при помощи генетического алгоритма и генетического программирования.
При анализе работы методов не было выявлено зависимости результатов от длины временного ряда. Таким образом, в данной работе методы не зависели от длины временного ряда, а зависели от количества прогнозируемых значений.
Как было сказано ранее, методы прогнозирования учитывают историю, т. е. используют только те данные, которые наблюдались ранее, по которым невозможно сказать, будет ли внезапный рост цен или нет. Методы не могут спрогнозировать какие-либо случайные скачки данных. В период, когда делался прогноз, цены на никель и на алюминий резко изменились. Этого методы не смогли спрогнозировать. И, тем не менее, практически все методы после внезапных скачков продолжили нормальную работу.
Библиографические ссылки
1. Голубков Е. П. Маркетинговые исследования: теория, методология и практика. М. : Финпресс, 1998.
2. Бурдина Е. В. О прогнозировании рынка цветных металлов // Решетневские чтения : материалы XIX Междунар. науч.-практ. конф., посвящ. 55-летию Сиб. гос. аэрокосмич. ун-та им. акад. М. Ф. Решетне-ва. 2015. Ч. 2. С. 28-30.
3. Титов А. С. Прикладное применение нейронных сетей // Актуальные проблемы авиации и космонавтики : тез. IX Всерос. науч.-практ. конф. творческой молодежи (8-12 апр. 2013, г. Красноярск) : в 2 т. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2013. С. 438.
4. Бухтояров В. В. Эволюционные алгоритмы формирования коллективов нейронных сетей для решения задач моделирования и прогнозирования : дис. ... канд. техн. наук ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2010.
5. Решение задачи прогнозирования экологического состояния города нейроэволюционными алгоритмами / Д. И. Хритоненко, Е. С. Семенкин, Е. В. Сугак, Е. Н. Потылицына // Вестник СибГАУ. 2015. Т. 16, № 1. С. 137-142.
6. Семенкин Е. С., Медведев А. В., Ворожейкин А. Ю. Модели и алгоритмы для поддержки принятия решений инвестиционного аналитика // Вестник Томского гос. ун-та. 2006. № 293. С. 63-70.
7. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Вестник СибГАУ. 2013. № 4(50). С. 148-152.
8. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // ICINCO 2014 - Proceedings of the 11th Intern. Conf. on Informatics in Control, Automation and Robotics. 2014. 11. C. 318-323.
9. Semenkina M., Semenkin E. Hybrid self-configuring evolutionary algorithm for automated design of fuzzy classifier // Lecture Notes in Computer Science. 2014. T. 8794. C. 310-317.
References
1. Golubkov E. P. Marketingovye issledovanija: teorija, metodologija i praktika [Marketing research: theory, methodology and practice]. M. : Finpress, 1998.
2. Burdina E. V. O prognozirovanii rynka cvetnyh metallov [About forecasting market of nonferrous metals]. Reshetnevskie chtenija: materialy XIXMejdunar. nauch.-prakt. konf., posvjasch. 55-letiju Sib. gos. ajerokosmich. un-ta im. akad. M. F. Reshetneva. 2015. Ch. 2. S. 28-30.
3. Titov A. S. Prikladnoe primenenie nejronnyh setej [Applications of neural networks] Aktual'nye problemy aviacii i kosmonavtiki : tezisy IX Vserossijskoj nauchno-prakticheskoj konferencii tvorcheskoj molodeji (8-12 aprelja 2013 g., Krasnojarsk) : v 2 t. / pod obsch. red. Ju. Ju. Loginova ; Sib. gos. ajerokosmich. un-t. Krasnojarsk, 2013. S. 438.
4. Buhtojarov V. V. Jevoljucionnye algoritmy formirovanija kollektivov nejronnyh setej dlja re6enija zada4 modelirovanija i prognozirovanija [Evolutionary algorithms of formation of neural network ensembles to address modeling and forecasting tasks]. Dissertacija na
soiskanie uchenoj stepeni kandidata tehnicheskih nauk ; Sib. gos. ajerokosmich. un-t. Krasnojarsk, 2010.
5. Hritonenko D. I., Semenkin E. S., Sugak E. V., Potylicyna E. N. Reshenie zadachi prognozirovanija jekologicheskogo sostojanija goroda nejrojevoljucion-nymi algoritmami [Solution of the problem predicting the ecological state of the city by nero evolutionary algorithms]. Vestnik Sibirskogo gosudarstvennogo ajerokosmicheskogo universiteta im. akademika M. F. Reshetneva. 2015. T. 16. № 1. S. 137-142.
6. Semenkin E. S., Medvedev A. V., Vorojejkin A. Ju. Modeli i algoritmy dlja podderjki prinjatija reshenij investicionnogo analitika [Models and algorithms to support decision-making investment analyst]. Vestnik Tomskogo gosudarstvennogo universiteta. 2006. № 293. S. 63-70.
7. Stanovov V. V., Semenkin E. S. [Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems]. Vestnik Sibirskogo gosudarstvennogo ajerokosmicheskogo universiteta im. akademika M. F. Reshetneva. 2013. № 4(50). S. 148-152.
8. Semenkin E., Stanovov V. [Fuzzy rule bases automated design with self-configuring evolutionary algorithm] // ICINCO 2014 - Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics 11. 2014. S. 318-323.
9. Semenkina M., Semenkin E. Hybrid self-configuring evolutionary algorithm for automated design of fuzzy classifier. Lecture Notes in Computer Science. 2014. T. 8794. S. 310-317.
© Бурдина Е. В., Ефремова С. В., 2016
УДК: 630.43
ПРОЕКТ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ БОРЬБЕ С ПРИРОДНЫМИ ПОЖАРАМИ
И. А. Буслов, А. Е. Гордеев, Г. А. Доррер, С. В. Кобыжакова, С. В. Яровой
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail:[email protected]
Предложен проект системы управления борьбой с природными пожарами, включающей комплекс математических моделей, программно-аппаратный комплекс для разведки и идентификации пожаров на базе беспилотных летательных аппаратов (БПЛА) и компьютерную имитационную систему для обучения оперативного персонала.
Ключевые слова: управление борьбой с природными пожарами, математическое моделирование, беспилотные летательные аппараты, система обучения персонала.
PROJECT OF THE DECISION SUPPORT SYSTEM DURING COMBATING WILDFIRES
I. A. Buslov, A. E. Gordeev, G. A. Dorrer, S. V. Kobyzhakova, S. V. Yarovoi
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
