NEU-2002

Рынок требует от предприятий взвешенного подхода к определению требуемых объемов производства конечной продукции. Как недопроизводство, так и перепроизводство ведут к недополученным прибылям или потерям.

Выявление перспективной потребности в продукции предприятия предполагает процесс прогнозирования. Поэтому результаты прогнозирования являются одним из ключевых факторов при принятии управленческих решений.

При прогнозировании любого процесса возможно использование двух типов моделей зависимостей: временных и причинных.

Причинные зависимости, по сравнению с временными, обеспечивают большую точность и достоверность получаемого прогноза. Но, в то же время, требуют тщательного выбора параметров и большего объема вычислений при выявлении зависимостей типа «вход-выход».

Доказано, что экономические процессы обладают свойством цикличности. С учетом этого при определенных ограничениях, возможно использование временных зависимостей при краткосрочном прогнозировании.

Сейчас для получения прогнозных значений наиболее распространенным методом является использование в качестве инструмента прогнозирования аппарата математической статистики – регрессионно-корреляционного анализа. Наряду со всеми своими достоинствами этот метод не обделен и недостатками: большим объемом и сложностью математических расчетов, а также точность прогноза зависит от выбранных полиномов, описывающего зависимости.

Объем вычислений еще можно компенсировать использованием вычислительных машин. Труднее со сложностью вычислений, которая нелинейно возрастает с усложнением функциональных зависимостей или с увеличением числа факторных признаков в причинной модели. А при неудачно выбранных полиномах приходится все расчеты выполнять заново для нового вида зависимости, которая, в свою очередь, тоже может оказаться неудачной.

Одним из вариантов решения данной проблемы может стать использование искусственных нейронных сетей как инструмента прогнозирования.

При использовании нейронных сетей основной отличительной особенностью является то, что человек, проводящий прогнозирование может не выявлять виды зависимостей между факторными и результирующими признаками. Ему достаточно, используя известные алгоритмы, обучить нейросеть по имеющимся данным.

Для примера произведено сравнение использования при прогнозировании аппарата статистики и нейронных сетей. Сравнение производилось на примере прогнозирования объемов производства товарной руды по данным ОАО ССГПО.

Для временной модели в качестве исходных взяты данные за последние 20 лет. Для причинной модели - за 10 лет. Прогноз осуществлялся на один и два года.

В качестве факторных признаков взяты: курс доллара, мировой объем производства стали, мировые цены на железную руду и мировой объем добычи нефти.

При прогнозировании в качестве нейронной сети использовалась программная модель двухслойного персептрона с аналоговыми входами и аналоговым выходом.

Во временной модели для точности прогноза 10-15% регрессионный анализ обеспечил более быстрое получение результатов. В причинной модели та же тенденция наблюдалась до числа факторных признаков равных двум. При числе факторных признаков три и более преимущество во затратам времени и точности обеспечивала нейронная сеть.

В тоже время использование нейросетей не лишено проблем и «белых» пятен: например, отсутствие методики выбора типа и топологии сети для конкретной решаемой задачи. выбора алгоритма обучения и способа подачи данных.