Целью данной работы является: повышение эффективности прогнозирования временных последовательностей с использованием регрессионного моделирования.
В данной работе был проведен сравнительный анализ продуктов аналогов:
Система прогнозирования продаж «Sales–Forecast».
Ядром системы являются современные методы прогнозирования, реализованные в пакете STATISTICA, которые позволяют строить прогнозы временных рядов как на основе их собственной истории, так и с привлечением дополнительных переменных и построением многомерных объясняющих моделей.
Специальные процедуры преобразования и чистки данных, импортированных из исходного хранилища, создают таблицу STATISTICA, содержащую все исследуемые временные ряды продаж.
Для работы системе Sales-Forecast требуются данные о продажах в виде временных рядов. Данные могут быть импортированы из любых форматов электронных таблиц (в том числе MS Excel, Quattro Pro, ASCII и др.), а также из таблиц баз данных, поддерживающих технологию OLE DB (например, MS SQL Server, Oracle и др.).
Интерфейс системы Sales-Forecast основан на диалоге с пользователем. Диалоговые окна содержат как минимальные настройки, необходимые для быстрого запуска алгоритма прогнозирования, так и расширенные настройки для опытных пользователей[2].
В системе используются следующие прогностические и аналитические методы:
методы сезонной декомпозиции (Census 1, Census 2);
спектральный анализ;
модели АРПСС (ARIMA) и АРПСС с интервенциями;
адаптивные методы прогнозирования (экспоненциальное сглаживание);
нейронные сети.
Система прогнозирования состояния оборудования ProSmart.
ProSmart – это система мониторинга и прогнозирования состояния оборудования.
Система ProSmart контролирует и анализирует работоспособность машин каждые 5 секунд, автоматически уведомляя о изменяющихся условий работоспособности. Что позволяет оптимизировать и планировать ресурсы и действия по обслуживания до выхода оборудования из строя вместо устранения уже возникших и неожиданных аварий.
Технология Web клиент уменьшает затраты установки и обслуживания программного обеспечения и также обеспечивает многопользовательское управление.
Беспроводная архитектура уменьшает затраты и сложность внедрения. Обеспечивает возможность легко управлять подключенным оборудованием, выполняя автоматическую сортировку компьютеров по определяемому пользователем приоритету компьютера, и лишь затем сигнальным состоянием. Круги состояния на каждой странице позволяют быстро и легко идентифицировать состояние компьютера. Так же имеет возможность просмотра информации, как в виде графика с трендом, так и в виде перекрестных данных, что позволяет выявить взаимовлияние в полученных сигнала от оборудования и более эффективно выявить причину неполадок оборудования.
Доступны также усовершенствованные аналитические инструменты, такие как форма волны времени и спектральные данные с гармоникой и курсорами полосы стороны[2].
Прогнозом называется вероятностное научно-обоснованное суждение о перспективах, вероятных состояниях того или иного объекта или явления в возможном будущем.
Планирование же предполагает разработку последовательности действий или мероприятий по достижению необходимого результата, выделение последовательности и сроков реализации действий.
В задачах прогнозирования методы анализа временных рядов используются при наличии значительного количества значений рассматриваемого показателя из прошлого и при условии, что наметившаяся тенденция ясна и относительно стабильна[1].
В работе были рассмотрены методы регрессионного моделирования и проанализированы основные уравнения регрессии. Данные методы будут использованы в программной разработке и будет выполнен их сравнительный анализ[3].
На рисунке 1 показана детализация процесса.
Рисунок 1 — Декомпозиция диаграммы.
Входной информацией являются следующие значения: тип регрессионной модели (линейная регрессионная модель с несколькими вариантами типов трендов), входные данным регрессионной модели (входными данными являются параметры, значения которых необходимо спрогнозировать и параметры, на основании которых выполняется прогноз). Данная входная информация используется на всех этапах прогнозирования многомерных временных рядов. Выходной информацией в процессе прогнозирования многомерных временных рядов являются: выходные данные регрессионной модели и значения критериев адекватности модели.
Исполнителями процесса являются пользователь системы и информационная система.
Управление процессом осуществляется на основании математического описания регрессионной модели.
Прогнозирование многомерных временных рядов осуществляется в семь этапов:
«Выбор типа регрессионной модели и задание ее параметров» - пользователь системы выбирает одну из двух типов моделей: линейная регрессионная модель с распределенным лагом или линейная регрессионная модель с детерминированным лагом и задает параметры регрессионной модели;
«Нормирование переменных регрессии» – все переменные и соотношения между ними будут выражаться в стандартизованном масштабе. В этом масштабе за начало отсчета для каждой переменной принимается значение среднего, а за единицу измерения — величина стандартного отклонения;
«Стандартизация коэффициентов регрессии» – оценки стандартизованных коэффициентов множественной регрессии находят с помощью метода наименьших квадратов;
«Построение уравнения регрессии» – уравнение регрессии строится с помощью метода наименьших квадратов, применение которого требует выполнения ряда предпосылок;
«Разложение ряда на компоненты» – проводя разложение ряда на компоненты, как правило, подразумевается под трендом изменение среднего уровня переменной, то есть тренд среднего;
«Задание коэффициентов матрицы факторов» - задание матрицы факторов, использующейся для построения уравнения регрессии;
«Оценка адекватности выбора параметров регрессии» - для определения критерия адекватности модели выбрано два критерия: нахождение оптимального лага и критерий Спирмена. Первый критерий позволит определить величину наибольшего лага, а второй позволит определить наличие тренда.
По результатам анализа выявлено, что прогнозирование эффективнее при использовании интервальных временных рядов. Потому что они дают возможность более оптимально описывать реальные события, так как в реальных процессах обычно время изменяется не одним показателем, а еще и временным состоянием перехода. И именно этот тип рядов используем при программной реализации методов прогнозирования.
Было получено, что методы регрессионного прогнозирования с распределенным лагом и с детерминированным факторами являются наиболее универсальными для построения прогнозов. Поэтому данные методы будут использованы в программной разработке и будет выполнен их сравнительный анализ.
В данной работе рассмотрены системы прогнозирования, использующие регрессионные методы моделирования: система прогнозирования продаж «Sales–Forecast», система прогнозирования состояния оборудования ProSmart. На их примере было показано, что фактографические методы являются более точными, но уступают экспертным в условиях неопределенности. Учитывая эти условия цель разработки программного продукта заключается в создании более универсальной и эффективной системы прогнозирования.
Библиографический список
Жиляков Е.Г., Скубилин В.В. О некоторых моделях краткосрочного прогнозирования // Научные ведомства Белгородского государственного университета. Серия: Экономика. Информатика. 2013. №22-1 (165) С.144-147.
Миненко А.С., Волченко Е.В., Шишкин С.А. Метод построения взвешенных временных рядов для решения задач прогнозирования // ВЕЖПТ. 2012. №4 (56) С.4-10.
Л.А. Сафонова, Г.Н. Смоловик Методы и инструменты принятия решений// учебное пособие, Новосибирск 2012.