Применение искусственных нейронных сетей для прогнозирования
Рассмотрение методов прогнозирования нейронных сетей. Решение задачи обзора методов оконного прогнозирования на объеме страховых взносов. Изучение методов одношагового, многошагового прогнозирования. Применение метода окон для генерации обучающей выборки.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 24.03.2018 |
| Размер файла | 114,2 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Применение искусственных нейронных сетей для прогнозирования
Колмыков Вячеслав Викторович,
аспирант Мордовского государственного университета им. Н. П. Огарева,
инженер - программист ЗАО НТЦ «Модуль».
Аннотация
Решается задача обзора методов оконного прогнозирования на объеме страховых взносов. Рассматриваются методы одношагового и многошагового прогнозирования.
Введение
В настоящее время стала актуальной проблемой прогнозирования в страховом бизнесе. Поэтому в статье рассматриваются два метода прогнозирования. Основной задачей является выбор одного из метода прогнозирования на объемах страховых продаж.
Метод окон предполагает использование двух окон Wi и Wo с фиксированными размерами n и m соответственно. Эти окна способны перемещаться с некоторым шагом по временной последовательности исторических данных, начиная с первого элемента, и предназначены для доступа к данным временного ряда, причем первое окно Wi, получив такие данные, передает их на вход нейронной сети, а второе - Wo - на выход. Получающаяся на каждом шаге пара Wi -> Wo используется как элемент обучающей выборки (распознаваемый образ, или наблюдение).
Метод окон использует одношаговое и многошаговое прогнозирование.
Одношаговое прогнозирование
Задача одношагового прогнозирования сводится к задаче отображения, когда один входной вектор отображается в выходной (рисунок 1).
Рис. 1. Последовательность использования нейросети для задач одношагового прогнозирования.
Множество данных для однопараметрической задачи в таблице 1.
Таблица 1. Множество данных для однопараметрической задачи.
|
Входы |
Выходы |
||||
|
x(t1) |
x(t2) |
… |
x(tm) |
x(tm+1) |
|
|
x(t2) |
x(t3) |
… |
x(tm+1) |
x(tm+1) |
|
|
… |
… |
… |
… |
… |
|
|
x(t2) |
x(ti+1) |
… |
x(ti+m-1) |
x(ti+m) |
Многошаговое прогнозирование
Характеризуется увеличением дискретных отсчетов выходной величины и, соответственно, увеличением времени, на который осуществляется прогноз (время опережения Топ). При многошаговом прогнозировании
Топ=а*R,
где R - количество шагов вычисления прогнозирования; а - шаг дискретизации выходного параметра (например, год, месяц, день, и т.п.).
Многошаговое прогнозирование применяют лишь для явлений, признаки которых представлены в виде временных рядов.
Многошаговое прогнозирование временного ряда осуществляется следующим образом (рисунок 2). На входы нейросети подается вектор известных значений x(tn-2), x(tn-1), x(tn). На выходе формируется прогнозируемая величина x*(tn+1), которая определяет вектор прогнозируемых выходов и одновременно добавляется к значениям обучающего множества, то есть, принимается как достоверная. Далее на входы подается вектор x(tn-1), x(tn), x*(tn+1), а на выходе получается x*(tn+2) и следующие прогнозируемые значения.
Рис. 2. Последовательность использования нейросетей для задач многошагового прогнозирования
Многошаговое прогнозирование позволяет делать коротко- и среднесрочные прогнозы, поскольку существенное влияние на точность имеет накопление погрешности на каждом шаге прогнозирования. При применении долгосрочного многошагового прогнозирования наблюдается характерное для многих прогнозирующих систем постепенное затухание процесса, фазовые сдвиги и другие искажения картины прогноза. Такой тип прогнозирования подходит для стационарных временных рядов с небольшой случайной составляющей.
Прогнозирование с переобучением (рисунок 3) позволяет при больших интервалах опережения устранить затухание прогностических свойств сети за счет постоянного корректирования весовых коэффициентов синаптических связей.
На входы сети в режиме функционирования поступает последняя реализация обучающего множества x(tn-2), x(tn-1), x(tn). Прогнозируемое значение выхода x*(tn+1) откладывается в векторе прогнозируемых выходных значений и в качестве достоверного прибавляется к реальным значениям обучающего множества. Обучающее множество увеличивается на одно временное окно. Происходит процесс переобучения сети на увеличенном обучающем множестве, во время которого определяются новые весовые коэффициенты k синаптических связей и полиномов передаточных функций нейронов.
Рис. 3. Последовательность использования нейросети для задач многошагового прогнозирования с переобучением.
Отметим, что алгоритм многошагового прогнозирования с переобучением сети для традиционных сетей прямого распространения с итерационным обучением является практически невыполнимым через большие временные задержки, необходимые на перенастраивание коэффициентов сети [1].
На основе выше изложенного материала удобно использовать, как метод одношагового, так и многошагового прогнозирования. Недостатком метода многошагового прогнозирования является невыполнение через большие промежутки времени. И немаловажным фактором является то, какие значения имеются у нас на входе, и что мы хотим получить на выходе. Например, у нас на вход нейросети подаются данные о премиях и убытках страховой компании (таблица 2), на выходе мы хотим получить величину, относящуюся к премии.
Таблица 2. Данные о ежемесячных продажах.
|
Дата Начала |
Премия |
Убытки |
|
|
1 |
839 |
78 |
|
|
2 |
1714 |
879 |
|
|
3 |
2318 |
78 |
|
|
4 |
2629 |
67 |
|
|
5 |
2823 |
79 |
|
|
6 |
3320 |
91 |
|
|
7 |
3316 |
103 |
|
|
8 |
3479 |
115 |
|
|
9 |
3388 |
127 |
С помощью метода окон для нейронной сети будет сгенерирована обучающая выборка (таблица 3):
Таблица 3. Обучающая выборка.
На выходе же мы получим прогноз страхового взноса на следующий период.
Показанный режим является одношаговым, что работает в режиме отображения (реальный вход - прогнозируемый выход).
нейронный страховой взнос выборка
Заключение
В данной статье рассматривались методы прогнозирования нейронных сетей. Нельзя сказать однозначно, какой из методов наиболее удобен. Выбор метода прогнозирования зависит от решаемой задачи, от факторов, влияющих на данную систему.
Литература
1. http://www.victoria.lviv.ua/html/oio/html/theme8_rus.htm#adaptacija. Тема 8. Нейросети в задачах отображения.
Размещено на Allbest.ru
...Подобные документы
Исследование задачи и перспектив использования нейронных сетей на радиально-базисных функциях для прогнозирования основных экономических показателей: валовый внутренний продукт, национальный доход Украины и индекс потребительских цен. Оценка результатов.
курсовая работа [4,9 M], добавлен 14.12.2014Анализ применения нейронных сетей для прогнозирования ситуации и принятия решений на фондовом рынке с помощью программного пакета моделирования нейронных сетей Trajan 3.0. Преобразование первичных данных, таблиц. Эргономическая оценка программы.
дипломная работа [3,8 M], добавлен 27.06.2011Нейронные сети как средство анализа процесса продаж мобильных телефонов. Автоматизированные решения на основе технологии нейронных сетей. Разработка программы прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей.
дипломная работа [4,6 M], добавлен 22.09.2011Задача анализа деловой активности, факторы, влияющие на принятие решений. Современные информационные технологии и нейронные сети: принципы их работы. Исследование применения нейронных сетей в задачах прогнозирования финансовых ситуаций и принятия решений.
дипломная работа [955,3 K], добавлен 06.11.2011Применение нейрокомпьютеров на российском финансовом рынке. Прогнозирование временных рядов на основе нейросетевых методов обработки. Определение курсов облигаций и акций предприятий. Применение нейронных сетей к задачам анализа биржевой деятельности.
курсовая работа [527,2 K], добавлен 28.05.2009Проект автоматизированной системы прогнозирования относительного курса валютных пар для международной валютной биржи Forex с использованием нейронных сетей. Требования к техническому обеспечению. Обоснование выбора средств автоматизации программы.
курсовая работа [1,3 M], добавлен 05.01.2013Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.
курсовая работа [549,7 K], добавлен 03.03.2015Роль, место, структура прогнозирования и предсказывания в информационно-аналитической работе. Характеристика его методов: имитационного моделирования, морфологического анализа,"дерева целей", неформального прогнозирования. Основные правила их составления.
контрольная работа [90,3 K], добавлен 19.04.2011Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.
курсовая работа [2,2 M], добавлен 12.11.2010Описание технологического процесса напуска бумаги. Конструкция бумагоделательной машины. Обоснование применения нейронных сетей в управлении формованием бумажного полотна. Математическая модель нейрона. Моделирование двух структур нейронных сетей.
курсовая работа [1,5 M], добавлен 15.10.2012Рост активности в области теории и технической реализации искусственных нейронных сетей. Основные архитектуры нейронных сетей, их общие и функциональные свойства и наиболее распространенные алгоритмы обучения. Решение проблемы мертвых нейронов.
реферат [347,6 K], добавлен 17.12.2011Исследование эффективности применения нейронных сетей в рамках отношений между людьми. Принцип работы с нейросимулятором. Составление обучающей выборки и проектирование персептронов. Анализ выбора супружеской пары с использованием нейросетевых технологий.
презентация [150,8 K], добавлен 19.08.2013Способы применения технологий нейронных сетей в системах обнаружения вторжений. Экспертные системы обнаружения сетевых атак. Искусственные сети, генетические алгоритмы. Преимущества и недостатки систем обнаружения вторжений на основе нейронных сетей.
контрольная работа [135,5 K], добавлен 30.11.2015Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.
реферат [158,2 K], добавлен 16.03.2011Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.
презентация [582,1 K], добавлен 25.06.2013Изучение методов разработки систем управления на основе аппарата нечеткой логики и нейронных сетей. Емкость с двумя клапанами с целью установки заданного уровня жидкости и построение нескольких типов регуляторов. Проведение сравнительного анализа.
курсовая работа [322,5 K], добавлен 14.03.2009Решение с помощью нейросимулятора проблемы прогнозирования исхода выборов президента России. Преимущества нейросетевого подхода. Используемый персептрон. Параметры, которые могли бы помешать Медведеву выиграть на президентских выборах в 2008 году.
презентация [1,1 M], добавлен 14.08.2013Нейрокомпьютеры и их применение в современном обществе. Некоторые характеризующие нейрокомпьютеры свойства. Задачи, решаемые с помощью нейрокомпьютеров. Типы искусственных нейронов. Классификация искусственных нейронных сетей, их достоинства и недостатки.
курсовая работа [835,9 K], добавлен 17.06.2014Модели нейронных сетей и их реализации. Последовательный и параллельный методы резолюции как средства логического вывода. Зависимость между логическим следованием и логическим выводом. Применение технологии CUDA и реализация параллельного алгоритма.
дипломная работа [1,5 M], добавлен 22.09.2016Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.
дипломная работа [1,8 M], добавлен 08.02.2017
