CC BY
47
ние математики в экономических, технических и педагогических исследованиях: сб. науч. тр. Магнитогорск, 2005.
2. Вафин Р.К., Покровский А.М., Лешковцев В.Г. Прочность термообрабатываемых прокатных валков. М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. 264 с.
3. Лабейш В.Г. Жидкостное охлаждение высокотемпературного металла. Л.: Изд-во ЛГУ, 1983. 172 с.
4. Яненко Н.Н. Метод дробных шагов решения многомерных задач математической физики. Новосибирск: Наука, 1967.
РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА АДАПТИВНОГО НЕЙРОПРОГНОЗИРОВАНИЯ
О.И. Пятковский, д.т.н.; А.С. Авдеев
(Алтайский государственный технический университет им. И.И. Ползунова, г. Барнаул,
[email protected], [email protected])
Предлагается комплексный подход к повышению качества нейросетевых моделей прогноза за счет использования методов предобработки временных рядов, контроля адекватности прогнозных моделей и их адаптации. Данный подход реализуется в разработанном аналитическом программном комплексе.
Ключевые слова: прогнозирование временных рядов, нейронные сети, адаптивные модели прогнозирования.
Эффективное управление предприятием невозможно без решения задач прогнозирования различных технико-экономических показателей. Существует большое количество математических моделей временных рядов, решающих задачу прогнозирования, в том числе на базе аппарата искусственных нейронных сетей [1]. При использовании данных моделей возникает необходимость в адаптивном прогнозе. В связи с этим актуальной является разработка новых методов, алгоритмов и программно-математических инструментариев на их основе, делающих возможным получение эффективных прогнозных моделей с механизмом адаптации.
Цель работы - разработка программного комплекса адаптивного нейропрогнозирования вре-
MCi.-.MCL
гэс1...гэсн нс1...нс°
Интерпретатор
Конструктор
Предобработчик
Задачник
—*
Контрастер
МД1
Модуль принятия решений
МД2
МПРД1
МПРД2
МДт
МПРДт
Процесс
Рис. 1. Архитектура информационных систем с адаптаптивными интеллектуальными компонентами
менных рядов на примере объемов продаж автомобилей. Общая структура информационных систем (ИС), использующих интеллектуальные аналитические модули, показана на рисунке 1. Интеллектуальные модули представлены в виде гибридных экспертных систем {ГЭС1, ГЭС2,..., ГЭСН}, в которых используются нейросетевые адаптивные блоки {НС1, НС2,..., НС0} с модулями датчиков {МД1, МД2, ...,МДП} [2]. На вход датчиков поступают измеряемые показатели процесса, на основе которых рассчитываются коэффициенты {КьК2,...,Кт}; значения коэффициентов используются модулями принятия решений {МПРД1, МПРД2, ...,МПРДП}. Далее они поступают в блок принятия решения более высокого уровня для управления работой интеллектуального блока.
Представленная система позволяет осуществлять контроль за следующими этапами создания прогнозной ней-росетевой модели: проверка однородности данных, фильтрация ряда, повышение информативности данных, погружение ряда, формирование комитета сетей. На рисунке 2 представлена модель нейросетевого блока с адаптивными датчиками.
В состав каждого контролирующего блока входят модуль датчика, перечень рассчитываемых коффициентов, а также модуль принятия решений, в котором в виде правил продукции заложен алгоритм действий в зависимости от значений коэффициентов.
С помощью методов фильтрации снижается размерность ряда, отделяются трендовые изменения от нетрен-довых. В модели используются следующие методы фильтрации: скользящее среднее, экспоненциальное сглаживание, вейвлет-преобразование. Ал-
удовлетворительными характеристиками. В этом случае строится обобщенный прогноз, который формируется как линейная комбинация: У' = Е^ур где М - число объединяемых прогнозов; pj - весовые коэффициенты частных прогнозов; у' - частные прогнозы. Весовые коэффициенты определяются из условия минимума дисперсии ошибок обобщающего прогноза.
В общем случае модель нейро-прогнозирования считается адекватной до тех пор, пока в систему не поступает достаточное количество данных, на основании которых принимается решение о необходимости изменения параметров модели. Такой же вывод можно сделать на основе анализа данных, выдаваемых самой моделью. В существующей модели при поступлении нового фактического значения вычисляются следующие
_ Ау§(ВРИСХОДНЫЙ)
Ау§(ВРтекущий))'
Р'вР(ВРиСХОДНЬй)
Рис. 2. Модель адаптивного нейросетевого блока
индикаторы: K_Disp =
_ Ау§(ВРисходный
K_Avg
Disp(BPT
й))'
K
NewAvg
горитм датчика позволяет выбрать метод фильтрации на основании следующих критериев:
-— - средняя абсолютная ошибка;
MAPE =
MaxAPE = MAX l—l - максимальная абсолютная lytl
ошибка; MPE =
VN et ^t=1yt
- средняя ошибка; R
2 _
= 1 -
VN e2 ¿1=1 et
^ (у _)2 - коэффициент детерминации
(где N - количество значений ряда, У( - значение ряда, е( - ошибка модели фильтрации, у - среднее значение).
В результате повышения информативности временной ряд преобразуется к виду у- = У' — -у!_1, у' = —, у- = у'_у'-1. Коэффициенты,
У'-1 У'-1
влияющие на алгоритм преобразования: КдГ'Г1 =
= maxi
Avg(mi)
, MRC =
iN=iiyi-
yi-ll
sN=iiyii
При погружении временного ряда используется метод скользящего окна. Для сформированной обучающей выборки рассчитывается константа
Липшица: LCONSX=maxi ^ т-^-Х^г, где f - таблично
заданная функция, которая в точках X! принимает значения На основе анализа константы Липшица делается заключение о том, насколько удачно выбраны вид и размер окна погружения.
В результате обучения нейронных сетей может получиться несколько моделей, обладающих
, Кст = lX^l, где Avg()
Avg^oBb™)) ст I » I s
- среднее значение временного ряда; Disp() - дисперсия значений временного ряда; ст - стандартное отклонение; X - новое значение временного ряда; X - среднее значение текущей выборки. Далее рассчитанные индикаторы поступают на вход продукционной экспертной системы, в которую в виде правил продукции заложен алгоритм дообучения. Алгоритм представляет собой множество конъюнктивных правил вида:
Pr: (d(K_Avg)) 6D(K_Avg), d(K_Disp)) 6 6D(K_Disp), d(K_New_Avg)) 6D(K_New_Avg), d(K_ ст)) 6D(K_ a))^d(Decide), где d(x) - текущее значение параметра x; D(x) - множество интервалов, определенное для параметра x.
Модель программного комплекса, который реализуют описанные алгоритмы и методы системы нейропрогнозирования, представлена на рисунке 3.
Средством программной реализации клиентских приложений аналитического программного комплекса является среда программирования Visual Studio 2008. Модуль реализован в виде динамической библиотеки и легко может быть интегрирован в любую существующую информационную систему.
Эффективность использования созданного программного комплекса подтверждается результатами сравнения прогнозных значений, полученных с помощью разработанной модели, и значений, полученных при помощи стандартных мето-
Параметры Временной
Новые значения временного ряда
Рис. 3. Структура нейросетевого блока
дов нейропрогнозирования (табл. 1). Исходными данными при создании и тестировании моделей служили значения ежемесячных продаж автомобилей регионального автодилера ОАО «Алтай-Лада» (г. Барнаул).
Таблица 1
Сравнение моделей
Для проверки работы блока адаптации (Ка) в ходе имитационного эксперимента получены следующие значения коэфициентов: К_Ау§ = 0.08, К018р = 07, КЫешАуё = 5, К^^п = 1«5, Ko_max = =2.45. В результате моделирования поступления новых фактических значений рассчитаны значе-
ния индикаторов и определены моменты их срабатывания. В результате процесс дообучения был запущен на 6, 13, 14, 17 и 21-м шагах поступления новых значений.
Эффективность блока динамической адаптации (Ка) иллюстрирует таблица 2, в которой приведены ошибки прогнозов для начальной модели, для модели, проходящей процедуру дообучения на каждом шаге, и для модели, дообучающейся в выявленных точках.
Таблица 2
Ошибки прогнозов
Шаг Без дообучения Дообучение на каждом шаге Модуль адаптации (Ка)
01.10.2006 39.73 % 39.73 % 39.73 %
01.03.2007 42.46 % 42.58 % 36.15 %
01.10.2007 38.15 % 44.43 % 31.64 %
01.11.2007 45.37 % 38.15 % 27.52 %
01.02.2008 48.41 % 34.87 % 23.21 %
Модель 01.05. 2006 01.06. 2006 01.07. 2006 01.08. 2006 01.09. 2006
Нейросеть № 1 56 55 66 75 75
Нейросеть № 2 60 58 70 72 72
Адаптивная нейро-сетевая модель 55 59 66 75 78
Факт продаж 52 64 60 80 92
Разработанный программный комплекс применяется для эффективного решения задачи прогнозирования различных временных рядов. Интеграция комплекса с учетной системой автодилера позволила руководству предприятия решить сразу несколько управленческих задач, таких как получение достаточно полной информации о сбытовой деятельности автодилера, получение перспективного прогноза продаж, возможность гибкого формирования заявок на автомобили.
Литература
1. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов: учеб. пособие. М.: Финансы и статистика, 2003. 416 с.
2. Пятковский О.И. Интеллектуальные компоненты автоматизированных информационных систем управления предприятием. Барнаул: Изд-во АлтГТУ, 1999. 355 с.
3. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирская издат. фирма РАН, 1996. 276 с.
РЕАЛИЗАЦИЯ ШВВ-ПРИЛОЖЕНИЯ ДЛЯ ИНФОРМАЦИОННО-ИССЛЕДОВАТЕЛЬСКОЙ СИСТЕМЫ «ШЛАКОВЫЕ РАСПЛАВЫ»
М.А. Григорьева; Л.И. Воронова, д.ф.-ж.н.
(Российский государственный гуманитарный университет, г. Москва, [email protected].сот, voronova2001@mail.ги)
В статье рассматриваются методы реализации web-приложения для информационно-исследовательской системы «Шлаковые расплавы». Описаны основные технологии среды Apache Cocoon для разработки web-приложений и способы их применения в данной системе.
Ключевые слова: web-приложение, Apache Cocoon, Cocoon Forms, модальный метод, продолжения, конвейер.
В Российском государственном гуманитарном университете (г. Москва) разработана информационно-исследовательская система (ИИС) «Шлаковые расплавы», которая обеспечивает реализацию комплексных компьютерных экспериментов для моделей многокомпонентных шлаковых расплавов большого размера (104-105 частиц). В рамках единой интегрированной среды распределенной ИИС реализуются компьютерные эксперименты квантово-химическим, молекулярно-динамичес-ким и статистико-геометрическим методами на основе комплексной модели многочастичной системы с сильным взаимодействием. ИИС имеет как научную, так и образовательную направленность. В ее проектировании и оптимизации активное участие принимают аспиранты и студенты, с их помощью реализовано большое количество модулей (Подсистема распределенного молекулярно-дина-мического моделирования информационно-исследовательской системы «Шлаковые расплавы» (Рыжов Н.А., Воронов В.И., Тен Э.А., Гусев А.И., Тетерин С.А., Суд-ников А.В., Середа Д.В., Трофимова Л.А.) зарегистрирована в ОФАП 04.02.2004, свид. № 3158).
ИИС является системой с удаленным доступом, позволяющей проводить компьютерное моделирование на ресурсах разработчика через Интернет. Удаленный доступ реализуется с помощью новейших технологий, обеспечивающих модульность, масштабируемость, удобство поддержки и модификации web-приложения. Для обеспечения удаленного доступа к ИИС, управления ходом компьютерного эксперимента и работой с БД разработано web-приложение на основе среды Apache Cocoon 2.1, которая архитектурно располагается
между БД и сервером приложений J2EE (Java 2 Enterprise Edition) Apache Tomcat и представляет собой среду для публикации динамического web-контента на основе технологии конвейерной обработки данных [1].
На рисунке 1 схематично изображен принцип конвейерной обработки XML-данных.
Трансформация
Сериализация
Рис. 1. Принцип конвейерной обработки XML-данных
По конвейеру последовательно в виде потока событий SAX (Simple API for XML - способ последовательного чтения/записи XML-файлов) перемещаются XML-данные. При этом происходит преобразование XML-данных от исходной формы к требуемой. Схема обработки данных находится в файле sitemap.xmap. Он представляет собой XML-документ со специальным синтаксисом, позволяющим указывать генераторы, трансформаторы и сериализаторы для различных ресурсов [2].
Описание конфигурационного файла проекта (SITEMAP)
Основная цель SITEMAP состоит в том, чтобы позволить разработчикам, не являющимся специалистами в области программного обеспечения, создавать web-сайты и weft-приложения из логических компонентов и XML-документов.
Генерация
