Искусственные нейронные сети в прогнозировании и анализе временных рядов
Сфера применения искусственных нейронных сетей (ИНС). Использование ИНС в прогнозировании временных рядов. Возможности применения ИНС для моделирования демографической динамики. Прогнозирование динамики численности населения, смертности и рождаемости.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 16.07.2018 |
| Размер файла | 32,9 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/
Башкирский государственный университет
Искусственные нейронные сети в прогнозировании и анализе временных рядов
Беляева М.Б.
Сафина К.Р.
Данная статья посвящена исследованию возможности применения искусственных нейронных сетей для моделирования демографической динамики на примере города Стерлитамак.
Сфера применения искусственных нейронных сетей (ИНС), в последнее время весьма обширна и напрямую связана с математическим моделированием различных процессов и ситуаций.
Большой популярностью пользуется применение ИНС в прогнозировании временных рядов. Самым хорошо узнаваемым примером временных рядов является демографическая статистика, которая стала объектом данного исследования.
В данной статье был приведен пример создания и обучения искусственной нейронной сети, способной прогнозировать население города средней величины, а также сам прогноз на 5 лет вперед.
При моделировании демографической динамики были учтены следующие параметры, взятые из официального источника (Башкортостанстат): общая численность населения, рождаемость, смертность населения города и прибыль (убыль) за счет миграции, но последний показатель был исключен программой на этапе «скользящего окна» и далее в вычислениях не использовался.
В качестве обучающей выборки был представлен набор данных с 2004 по 2016 года. Предварительный сбор и анализ данных был проведен при помощи программного продукта Microsoft Office Excel, а создание и обучение ИНС проводилось на базе аналитической платформы Deductor Studio.
Входные и выходные данные обучающей выборки:
1. Дата -- входной параметр.
2. Численность -- выходной параметр.
3. Родившиеся -- выходной параметр.
4. Умершие -- выходной параметр.
Для более достоверного прогноза был произведен анализ по значениям за выбранный период времени каждой из 4-х нейронных сетей.
Этапы проведения работы:
1. Сбор и подготовка данных.
2. Очистка данных (парциальная предобработка):
1. Редактирование аномалий.
2. Очистка от шумов.
3. Сглаживание.
3. Трансформация данных:
1. Преобразование к скользящему окну.
2. Группировка и сортировка данных.
3. Приведение типов.
4. Построение и создание ИНС.
При избавлении от аномалий была использована малая степень подавления, так же как при спектральной обработке исходных данных (очистка шумов). Запустив мастер обработки, в качестве обработчика была выбран алгоритм скользящего окна, который локальным усреднением показателя позволяет снять с эмпирических кривых влияние случайных величин.
Архитектура нейронной сети.
Тип функции для всех подстраиваемых нейронных сетей -- сигмоида (крутизна 1,00), алгоритм Back -- Propagation (online-режим), со скоростью обучения 0,1 (задает градиентную составляющую в суммарной величине коррекции веса). Средняя ошибка для остановки обучения по каждому множеству составляет 10%. Каждая нейронная сеть имеет по одному скрытому слою с различным количеством нейронов: 10, 15, 20, 25.
1. Нейросеть [13x10x3]
Источник данных: имеющиеся множества данных -- обучающее и тестовое.
Учитель: процент количества строк обучающего множества 70 (распознано 100% примеров), тестового множества 30% (распознано примеров 100%). Средняя ошибка обучающего множества не превышает 7,1%; средняя ошибка тестового множества не превышает 1%.
2. Нейросеть [13x15x3]
Источник данных: имеющиеся множества данных -- обучающее и тестовое.
Учитель: процент количества строк обучающего множества 70 (распознано 100% примеров), тестового множества 30% (распознано примеров 100%). Средняя ошибка обучающего множества не превышает 1,3%; средняя ошибка тестового множества не превышает 9,5%.
3. Нейросеть [13x20x3]
Источник данных: имеющиеся множества данных -- обучающее и тестовое.
Учитель: процент количества строк обучающего множества 70 (распознано 100% примеров), тестового множества 30% (распознано примеров 50%). Средняя ошибка обучающего множества не превышает 1%; средняя ошибка тестового множества не превышает 8,2%.
4. Нейросеть [13x25x3]
Источник данных: имеющиеся множества данных -- обучающее и тестовое.
Учитель: процент количества строк обучающего множества 70 (распознано 100% примеров), тестового множества 30% (распознано примеров 100%). Средняя ошибка обучающего множества не превышает 3%; средняя ошибка тестового множества не превышает 7%.
Для проверки качества построенных моделей были построены тестовые прогнозы на 2015-2016 года (табл. 1-3), результаты которых были сравнены с демографическими показателями, представленными Башкортостанстат. Средняя погрешность прогноза составляет не более 5%, что говорит о высоком уровне обученности сети и хорошем уровне умения построения прогнозов данными моделями.
Таблица 1 Результаты прогнозов численности населения 4-х моделей на 2015-2016 года
|
Год |
Фактические данные (численность населения) |
Число нейронов в скрытом слое |
||||
|
10 |
15 |
20 |
25 |
|||
|
2015 |
279692 |
280046 |
280046 |
280046 |
280046 |
|
|
2016 |
280233 |
278831 |
279290 |
278857 |
279618 |
Таблица 2 Результаты прогнозов рождаемости 4-х моделей на 2015-2016 года
|
Год |
Фактические данные (рождаемость) |
Число нейронов в скрытом слое |
||||
|
10 |
15 |
20 |
25 |
|||
|
2015 |
4192 |
4254 |
4254 |
4254 |
4254 |
|
|
2016 |
4330 |
4162 |
4203 |
4208 |
4145 |
Таблица 3 Результаты прогнозов умерших 4-х моделей на 2015-2016 года
|
Год |
Фактические данные (умершие) |
Число нейронов в скрытом слое |
||||
|
10 |
15 |
20 |
25 |
|||
|
2015 |
3240 |
3200 |
3200 |
3200 |
3200 |
|
|
2016 |
3320 |
3236 |
3194 |
3209 |
3222 |
На основании полученных результатов был сделан вывод, что наиболее предпочтительной нейронной сетью для дальнейшего прогнозирования можно считать ИНС [13x25x3].
Затем были построены прогнозы численности населения (рис. 1) на 2017-20201 года, а так же уровня рождаемости и смертности (рис. 2).
По построенным прогнозам можно сделать вывод, что в ближайшие годы численность населения города будет постепенно возрастать, а рождаемость будет превалировать над смертностью.
Рисунок 1. Прогноз численности населения
Рисунок 2. Прогноз динамики смертности и рождаемости
Проведенное исследование показало, что искусственные нейронные сети могут успешно использоваться для прогнозирования временных рядов. При своевременном добавлении актуальных данных ИНС можно использовать при планировании многих видов производства и применять в системах поддержки принятия решения.
нейронный сеть прогнозирование демографический
Список литературы
1. В.И. Ширяев. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика. 4-е изд. - М.: Красанд, 2011. - 232 с.
2. Беляева М.Б. Искусственные нейронные сети в задачах прогнозирования экономических показателей. Материалы Всероссийская научно-практическая конференция «Шолоховские чтения». - Стерлитамак: РИО СФ МГГУ им М.А. Шолохова, 2009. 432-433 с.
3. Назаров А.В., Лоскутов А. И., Нейросетевые алгоритмы прогнозирования и оптимизации систем. - СПб.: Наука и техника, 2003. - 215 с.
Размещено на Allbest.ru
...Подобные документы
Применение 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 28.05.2009Возможности программ моделирования нейронных сетей. Виды нейросетей: персептроны, сети Кохонена, сети радиальных базисных функций. Генетический алгоритм, его применение для оптимизации нейросетей. Система моделирования нейронных сетей Trajan 2.0.
дипломная работа [2,3 M], добавлен 13.10.2015Сущность и функции искусственных нейронных сетей (ИНС), их классификация. Структурные элементы искусственного нейрона. Различия между ИНС и машинами с архитектурой фон Неймана. Построение и обучение данных сетей, области и перспективы их применения.
презентация [1,4 M], добавлен 14.10.2013Определение и виды модели, ее отличие от понятия моделирования. Формула искусственного нейрона. Структура передачи сигнала между нейронами. Способность искусственных нейронных сетей к обучению и переобучению. Особенности их применения в финансовой сфере.
реферат [136,2 K], добавлен 25.04.2016Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки.
дипломная работа [814,6 K], добавлен 29.09.2014Искусственные 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 08.02.2017Принципы организации и функционирования биологических нейронных сетей. Система соединенных и взаимодействующих между собой простых процессоров. Нейронные сети Маккалока и Питтса. Оценка качества кластеризации. Обучение многослойного персептрона.
курсовая работа [1,1 M], добавлен 06.12.2010Понятие 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 25.06.2013Способы 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 30.11.2015Изучение архитектуры искусственных нейронных сетей, способов их графического изображения в виде функциональных и структурных схем и программного представления в виде объектов специального класса network. Неокогнитрон и инвариантное распознавание образов.
курсовая работа [602,6 K], добавлен 12.05.2015Задача 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 06.11.2011Разработка системы прогнозирования временных рядов динамики продаж товаров с учетом факторов влияния ForExSal, предназначенной для определения краткосрочного прогноза предполагаемого спроса. Анализ концептуальной и функциональной схемы работы системы.
отчет по практике [1,9 M], добавлен 27.03.2011Формализованное описание закона Pearson Type V. Характеристика методов получения выборки с распределением Pearson Type V. Исследование временных рядов с шумом заданным Rayleigh. Экспериментальное исследование средней трудоемкости Pirson Type V и Rayleigh.
курсовая работа [4,5 M], добавлен 20.06.2010Способы применения нейронных сетей для решения различных математических и логических задач. Принципы архитектуры их построения и цели работы программных комплексов. Основные достоинства и недостатки каждой из них. Пример рекуррентной сети Элмана.
курсовая работа [377,4 K], добавлен 26.02.2015Искусственные нейронные сети как вид математических моделей, построенных по принципу организации и функционирования сетей нервных клеток мозга. Виды сетей: полносвязные, многослойные. Классификация и аппроксимация. Алгоритм обратного распространения.
реферат [270,4 K], добавлен 07.03.2009Исследование 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 19.08.2013Нейронные 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 22.09.2011Решение 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 14.08.2013Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017
