автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Краткосрочное прогнозирование на основе технологии нейросетевого пространственно-параметрического моделирования

Гордиенко Владимир Алексеевич

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ НА ОСНОВЕ ТЕХНОЛОГИИ НЕЙРОСЕТЕВОГО ПРОСТРАНСТВЕННО-ПАРАМЕТРИЧЕСКОГО МОДЕЛИРОВАНИЯ

Специальность 05.13.01 — «Системный анализ, управление и обработка информации (информационные и технические системы)»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

2 О АПР 2077

Краснодар - 2011

4844650

Работа выполнена в ГОУ ВПО «Кубанский государственный технологический университет» Научный руководитель: доктор технических наук, профессор

Ключко Владимир Игнатьевич Официальные оппоненты: доктор технических наук, профессор

Хисамов Франгиз Гильфанетдинович; кандидат технических наук Григорьев Николай Федорович Ведущая организация: Кубанский государственный аграрный

университет

Защита состоится 11 мая 2011 г. в 1600 на заседании диссертационного совета Д 212.100.04 в Кубанском государственном технологическом университете по адресу: 350072, г. Краснодар, ул. Московская, 2, ауд. Г-251

С диссертацией можно ознакомиться в библиотеке Кубанского государственного технологического университета

Автореферат разослан "8" апреля 2011 г.

Ученый секретарь диссертационного совета, канд. техн. наук, доцент

А.В. Власенко

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В последние несколько лет наблюдается повышенный интерес к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления.

Успех бизнеса во многом определяется качеством информации, на основе которой принимаются ответственные финансовые решения. Именно поэтому сбор и аналитическая обработка информации сегодня является как предметом отдельного изучения с научно-методогической точки зрения, так и предметом самостоятельного бизнеса.

Потребность в усовершенствовании существующих методических приемов заставляет использовать совершенно новые технологии в задачах прогнозирования. Значительные успехи ученых и разработчиков в области развития нейросетевых технологий определяют это направление как современное и быстро развивающееся, а примеры успешного и экономически эффективного прикладного применения методов нейроматематики отражают перспективность его дальнейшего развития.

Математическое моделирование является неотъемлемой частью управления и обработки информации. Высокое качество управления достигается путём прогнозирования состояния системы, осуществление упре-

ждающего или оперативного управления и, в результате, минимизация потерь.

Важной задачей в области инвестиций является эффективное управление денежными потоками. Для принятия решения инвестиционным компаниям необходимо обладать качественными краткосрочными прогнозами. Результатом деятельности таких компаний является получение прибыли, поэтому получения достоверных краткосрочных прогнозов является актуальной и современной задачей.

Цель работы. Разработка метода краткосрочного прогнозирования на основе технологии нейросетевого пространственно-параметрического моделирования для принятия управленческого решения.

Для достижения указанных целей были поставлены следующие задачи:

провести анализ основных методов прогнозирования на рынке недвижимости и выявить их основные недостатки;

рассмотреть особенности использования нейросетевых технологий для задач прогнозирования;

провести анализ процессов управления и принятия решений на рынка недвижимости;

провести системный анализ рынка недвижимости, выполнить декомпозицию процессов его функционирования и выявить основные особенности;

построить дискретную пространственно-параметрическую модель исследуемой системы и описать математические основы её построения;

разработать методику проверки качества обучения нейронной сети для задачи прогнозирования;

разработать метод краткосрочного прогнозирования индикаторов рынка недвижимости, способный эффективно работать в период излома тенденций;

выполнить экспериментальную проверку применимости разработанного метода на реальном наборе данных;

провести сравнение результатов исследования с результатами полученными другими методами;

рассчитать критерии эффективности для данной задачи.

Методы исследования. Поставленные задачи решены с применением системного анализа, теории искусственных нейронных сетей, прогнозирования, математической статистики, методов стоимостного анализа и экономико-математического моделирования.

Научная новнзна выполненных в диссертации исследований состоит в следующем:

- разработан метод прогнозирования на основе разложения дискретной пространственно-параметрической модели с последующим нейро-сетевым анализом;

- разработана методология оценки эффективности обучения нейронной сети с использованием корреляционного анализа;

- разработана методика вычисления пропущенных или недостоверных значений параметров в ячейках дискретной пространственно-параметрической модели;

- разработана методика сценарного прогнозирования связанных значений одной части набора индикаторов рынка в определенной ячейке дискретной пространственно-параметрической модели (входов сети) для заданного значения другой части набора индикаторов рынка (выходов сети).

Практически я ценность работы заключается в в разработке и апробации метода краткосрочного прогнозирования индикаторов рынка недвижимости на основе технологии нейросетевого пространственно-параметрического моделирования. Рынок недвижимости нуждается в качественном анализе и прогнозировании, существующие методы прогнозирования плохо применимы в период отличающийся нестабильностью (период излома тенденции). Данный метод дает намного более точный прогноз.

Реализация и внедрение результатов работы. Разработанная методика краткосрочного прогнозирования используется для поддержки принятия решения на предприятиях: ООО «Агентство недвижимости ВИЛЛАН» (г. Краснодар), ООО «Домострой» (г. Краснодар) и ООО «Кубань Риэлт» (г. Краснодар).

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на 15-й Всероссийской научно-практической конференции «Инновационные процессы в высшей школе» (г. Краснодар, 2009 г.), 10-й Международной конференции «Актуальные проблемы современной науки» (г. Самара, 2009 г.) и 2-й Всероссийской научной конференции «Научное творчество 21 в.» (г. Красноярск, 2010 г.).

Основные положения, выносимые на защиту:

метод краткосрочного прогнозирования индикаторов рынка недвижимости основанный на разложения дискретной пространственно-параметрической модели с последующим нейросетевым анализом;

методология оценки качества обучения нейронной сети с использованием корреляционного анализа;

методика вычисления пропущенных и недостоверных данных в обучающей выборке;

методика сценарного прогнозирования связанных значений одной части набора индикаторов - входов сети, для заданного значения другой части - выходов сети;

результаты применения метода прогнозирования на реальном наборе данных;

результаты сравнительного анализа прогнозирования индикаторов рынка недвижимости, созданных пятью способами: нейросетевая пространственно-параметрическая модель, классическая нейросетевая мо-

дель, линейный регрессионный прогноз, полиномиальный регрессионный прогноз и логарифмическая регрессия.

Публикации. По теме диссертации опубликовано 4 печатных работы.

Структура и объем диссертации. Диссертация состоит из введения, четырёх разделов, заключения, списка использованной литературы и приложений. Ее общий объем составляет 152 страницы машинописного текста. Работа содержит 11 таблиц, 26 рисунков, список литературы из 128 наименований.

КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении обоснована актуальность темы исследования, определена научная проблема, поставлены цели и задачи исследования, дан обзор содержания работы.

В первой главе проведён анализ основных методов прогнозирования на рынке недвижимости; рассмотрены основные понятия прогностики и даны их характеристики; выявлены основные проблемы прогнозирования и описаны недостатки существующих моделей; обоснована необходимость создания новой методики для краткосрочного прогнозирования.

Основные этапы прогнозирования: постановка задачи и сбор необходимой информации; первичная обработка исходной информации; определение возможных моделей прогнозирования; оценка параметров рассматриваемых моделей; проверка адекватности выбранных моделей; расчет характеристик моделей; анализ полученных результатов прогноза.

По степени формализации методов прогнозирования различают экспертное предсказание, эвристическое прогнозирование, «фундаментальный» прогноз, регрессионное статистическое моделирование, многофакторное моделирование (включая моделирование и прогнозирование на нейронных сетях).

В результате анализа основных методов прогнозирования, можно выделить основные недостатки:

-существующие методы прогнозирования не позволяют анализировать рынок недвижимости как систему, а лишь как её часть;

-прогнозы, полученные общеизвестными методами, являются частичными и не взаимосвязанными с другими прогнозами о состоянии рынка в целом;

- плохо работают в период излома тенденций;

-для регрессионного анализа бывает недостаточно статистических рядов наблюдений, мешают большие пропуски в данных;

- для краткосрочного прогнозирования существующие методы малоэффективны.

Все вышеперечисленные недостатки обуславливают необходимость разработки нового метода прогнозирования, способного давать качественные краткосрочные прогнозы в период излома тенденции. Этот метод является совокупностью существующих методов нейронных сетей и методов регрессионного анализа. Его можно применять самостоятельно при отсутствии длинных ста-

тистических рядов наблюдений, слабой изученности явлений и процессов, неясности закономерностей, связывающих между собой исследуемые рыночные факторы и прогнозируемый показатель.

Во второй главе рассмотрен системный подход к управлению рынком недвижимости; рассмотрена модель управления недвижимостью и основные проблемы, возникающие в процессе управления; рассмотрены варианты принятия решения.

Рынок недвижимости содержит все признаки т.н. кибернетической системы (рисунок 1), функционирующей по принципу обратной связи. Принцип обратной связи - это принцип коррекции входных воздействий в процессе управления системой, на основе информации о выходе управляемой системы.

Рисунок 1 - Система рынка недвижимости - кибернетическая система На основании результатов прогнозирования необходимо принимать управленческие решения. Разработанный метод способен удовлетворить потребности большинства участников рынка недвижимости: инвестицион-

но-строительных компаний, покупателей и продавцов недвижимости, оценочных компаний, агентств недвижимости и аналитиков.

В третьей главе диссертации выполнен системный анализ рынка недвижимости; описано моделирование рынка недвижимости с использованием дискретно-пространственной параметрической модели; математические основы построения модели и её практическое применение на рынке недвижимости.

Системный подход к исследованию рынка как сложного объекта предусматривает:

1) анализ причинно-следственных связей на уровне изучаемого предмета и определение факторов, раскрывающих сущность процесса, протекающих в изучаемом объекте; классификация и оценка причинно-следственных связей системы;

2) формирование гипотез и теорий функционирования системы; подготовка концепции управления;

3) определение целей и задач; разработка имитационных систем и подсистем для проблемы;

4) разработка стратегии и тактики функционирования рынка недвижимости и поведения объектов и субъектов с учётом существующего законодательства, стандартов, нормативов, информационной системы, учитывая воздействие внешних факторов;

5) разработка математических моделей функционирования подсистем и управления системой в целом; разработка показателей эффективности функционирования системы;

6) разработка программного и информационного обеспечения и использование существующего;

7) проверка теории с использованием имитационного моделирования в работе подсистем и системы в целом; оценка результатов с помощью нормативных показателей эффективности;

8) доработка моделей и теории по результатам имитационного моделирования;

9) практическое использование системы в управлении субъектами на рынке недвижимости.

Для дальнейшего изучения системы необходимо построить её модель.

Дискретно пространственно-параметрическая модель (далее ДГ1Г1М) - упорядоченный набор индикаторов состояния рынка по всем его сегментам, полученный в результате параллельного сечения рассматриваемой выборки объектов недвижимости по следующим измерениям: размер, местоположение, качество, срок сдачи объекта и (реже) другие.

Сущность методологии состоит в сборе документированной информации об объектах рынка, разделении объектов на однородные группы (выборки) по качеству, местоположению, периодам времени, определении характеристик каждой выборки и исследовании полученных числовых пространственно-параметрических и динамических моделей с дискретным шагом.

Пусть Х|= е Х- удельная цена ьй квартиры, или цена 1 кв. м, в заданном периоде (в последующем временной параметр опускается), тогда дискретное множество значений удельных цен:

Х= {х;} , 1 = 1,N

(1)

Запись (1) представляет собой модель первичной рыночной информации - исходных данных для построения модели рынка.

В общем случае цела квартиры на рынке зависит от ее характеристик

где Б - оператор связи.

Разделим все характеристики по трем классификационным основаниям - качества, местоположения, размера:

Т = (^¡т) - множество характеристик качества М = (^м)- множество характеристик местоположения дома Я = ) - множество характеристик размера квартиры Тогда:

Преобразуем числовые значения характеристик в дискретные, разбив их на диапазоны. Тогда:

Х=» {х^т.^м,^)}.

(2)

Множество подмножеств, объединяющих квартиры одного типа:

Х| - { Х'п .Хт2, ■■•}

(3)

Аналогично приводятся к дискретным характеристики (координаты) местоположения. Множество подмножеств, объединяющих объекты одной зоны:

Хм = { ХМ1 .ХМ2,...} (4)

Следовательно, множество подмножеств, объединяющих объекты одного размера:

Хм = { Хш ,ХК2,...} (5)

Наконец, объединение множеств (3)-(5) приводит к выявлению групп объектов, выделенных по признаку сочетания типа, района и размера:

X = Хт и Хм и Хк; (6)

ПХтПХмПХк=0; (7)

X = { {хТ|М1К| } , {х-пмни }>•■•}■ (8)

В терминах дискретных пространственно-параметрических моделей эта процедура включает статистическую обработку выборок (8) и определение основных параметров выборки - объема п, среднего хср., размаха варьирования хмш, и хмакс, дисперсии О, погрешности в определении среднего <3. В результате образуется исходная дискретная пространственно-параметрическая модель рынка:

X = {{(п, 0,(5) Т1МШ и

{( п, ХСр., Х„„„ , Хмакс , О , (5) Т2М1Я1 } , ••• }• (9)

В четвертой главе разработан метод прогнозирования индикаторов рынка недвижимости; метод применён на реальном наборе данных; прове-

дено сравнение результатов исследования с другими методами прогнозирования; просчитаны критерии эффективности для данной задачи; обоснована универсальность метода и возможность его применения в других областях науки.

Алгоритм создания метода краткосрочного прогнозирования:

1. Статистическая обработка массива данных:

а) построение ДППМ;

б) двумерное разложение ДППМ;

в) подготовка и нормализация данных.

2. Интеллектуальная обработка данных:

а) обучение множества нейронных сетей;

б) оценка качества обучения.

3. Регрессионное моделирование:

а) формирование единого набора прогнозов;

б) построение регрессионного уравнения.

Для реализации метода прогнозирования необходимо создать несколько таблиц (по количеству измерений в ДППМ): в нашем случае три таблицы, у каждой из которых измерение, откладываемое по вертикали будет разным (рисунок 2). Таким же образом делается разложение ещё по двум плоскостям. Данные полученные после транспонирования ДППМ являются достаточно полными, но не идеальными. Для наиболее качественного обучения нейронных сетей необходимо проделать ряд процедур по

подготовке и нормализации данных (замена пустых значений нулями, интерполяция данных и экстерполяция данных).

Рисунок 2 - Схема двумерного разложения ДППМ рынка недвижимости Полученные три варианта транспонирования одной и той же ДППМ используются в обучении трех нейронных сетей. Входами в сеть будут значения параметров всех ячеек вошедших в один слой. Выходами - любой целевой параметр, значение которого известно по предыстории, но не известно в будущем (см. рисунок 3). Следует отметить, что на рисунке изображено схематическое изображение нейронной сети, реальная сеть состоит из трёх слоев нейронов, число нейронов в каждом слое колеблется в пределах от 80 до 100 штук в каждом слое (в зависимости от сети). В качестве наиболее эффективного метода обучения сети был выбран - метод сопряжённых градиентов.

Я

\7

Рисунок 3 - Схема применения нейронной сети в прогнозировании Получим три сети, обученные на одинаковом наборе исходных данных, но при разном способе ввода этих данных (ввод данных осуществляется группами ячеек с одинаковыми либо размерами квартиры, либо местоположением, либо качеством).

В традиционном смысле принято считать, что наиболее эффективная сеть даёт наибольшее количество правильно решённых примеров (точных прогнозов), но в задачах прогнозирования это оказывается не совсем правильным подходом. Для эффективного обучения была применена методика корреляционного анализа:

¿и -ХХУ< -Г)

г = ^-

(и-1)^

где х, и у[ значения двух переменных, х" и у" их средние значения, а я,, и эу их стандартные отклонения, п количество пар значений.

Дальнейшая работа с данными происходит с использованием регрессионного моделирования. В нашем случае необходимо использовать множественную регрессию, в общем виде формула выглядит следующим образом:

у = Ь, *х,+Ь2*х2+... + Ь„*х„+а где, п - количество переменных, Ь) ,ЬП - регрессионные коэффициенты,

Х|, х„ - переменные, а - некоторая константа.

Полученные выходы нейронных сетей представляют собой совокупность трех прогнозов по каждой ячейке ДППМ, которые необходимо совместить друг с другом (по уникальному адресу каждой ячейки) и подвергнуть регрессионному анализу-прогнозу.

Коэффициент детерминации (Г?2) - это величина характеризует качество регрессионной модели, то есть степень соответствия между регрессионной моделью и исходными данными. 112 равный 0,764 так же говорит о том, что данный метод учитывает 76,4% факторов, оказывающих своё влияние на модель. Вероятность наступления прогноза 95% (см. значимость изменения И в таблице 3).

Таблица 3 - Сводка регрессионной модели

Я, коэффициент корреляции К квадрат, коэффициент детерминации Стандартная ошибка оценки Значимость изменения Б

0,874 0,764 0,682 0,05

Таблица 4 - Коэффициенты регрессионной модели

Коэффициент Нестандартизов. коэффициенты Стандартизов. коэффициенты Значимость изменения F

В Стандарт, ошибка (3 (Beta)

Константа 63,252 21,530 0,032

Прогноз местоположение 0,348 0,131 0,627 0,045

Прогноз класс 0,439 0,210 0,777 0,090

Прогноз размер -0,407 0,222 -0,715 0,126

В вышеприведённой таблице в объяснение нуждается коэффициенты В (Beta) - это регрессионные коэффициенты, стандартизованные соответствующей области значений, они указывают на важность независимых переменных, вовлечённых в регрессионное уравнение.

После получения регрессионных коэффициентов получаем следующие итоговое уравнение регрессии:

Прогноз общий = 63,252 + 0,348 х Прогноз местоположение + 0,439 х Прогноз класс + (-0,407) х Прогноз размер

Проведённый сравнительный анализ результатов прогнозирования индикаторов рынка показал, что авторский метод даёт лучшие результаты (рисунок 5).

104 ■

103

101

100

102

98

99

Я2 = 0,355

-н^Фактические данные

■авторская методика

линейный регрессионный прогноз

стандартный нейролрогмоз

полиномиальной регрессионный прогноз

97

Рисунок 5 - Сравнение прогнозов полученных различными методами В заключении перечислены научные и практические результаты, полученные автором в ходе исследований.

В приложениях представлены скрипты используемые при двумерном разложении трёхмерной пространственно-параметрической модели и вербальное описание нейронной сети.

Проделанная в рамках диссертации работа позволила ответить на поставленные вопросы, цели и задачи исследования. Основными задачами исследования являлись: системный анализ рынка недвижимости, создание методики краткосрочного прогнозирования индикаторов рынка недвижимости на основе технологии нейросетевого дискретно-пространственного моделирования и ее апробация в важной прикладной проблеме. Выпол-

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

пенные нами исследования и разработки позволили получить сделать следующие выводы:

1. Рынок недвижимости определён как сложная динамическая система. Установлено, что для него характерна значительная неопределённость, связанная с разнотипностью инцидентных факторов.

2. В результате исследования системы, выявлено, что информация о системе обладает значительной зашумлённостью и неудовлетворительным качеством, отсюда вытекает необходимость применения методов, которые позволяют игнорировать недостатки информации. В связи, с чем была разработана методика нормализации и интерполяции данных для улучшения качества обучающей выборки.

3. Для анализа системы была описана математическая модель построения дискретной пространственно-параметрическая модели рынка недвижимости, а в последней главе построена ДППМ рынка недвижимости г. Краснодара.

4. Проведённый сравнительный анализ методов прогнозирования, выявил, что существующие методы не позволяют анализировать систему в целом, плохо работают в период излома тенденции, для регрессионного анализа бывает недостаточно статистических рядов наблюдений и существующие методы являются малоэффективными для краткосрочного прогнозирования. В связи, с чем была обусловлена необходимость разработки нового метода прогнозирования.

5. Таким образом можно выделить положительные черты разработанного метода:

- учитывает различные стороны, отталкивается одновременно от пространственного анализа, анализа динамики показателей, учёт внешних факторов самой дискретно-пространственной параметрической модели и исследует зависимости внутри системы;

- работоспособен в период излома тенденций;

- работоспособен при отсутствие полной информации о системе.

6. Управление системой было рассмотрено с точки зрения системного подхода и это позволило сделать вывод, что рынок недвижимости отвечает всем признакам саморегулируемой кибернетической системы с обратными связями.

7. Для управления рынком недвижимости авторский метод могут применять большинство его участников, таких как: инвестиционные компании, строительные компании, государственные органы, оценочные компании и агентства недвижимости.

8. В результате системного анализа создана нейростевая модель прогнозирования индикаторов рынка недвижимости. Которая основана на двумерном разложении трёхмерной дискретной пространственно-параметрической модели рынка недвижимости, с последующим нейросе-тевым моделированием и регрессионным анализом.

9. Методика нормализации и интерполяции данных для обучения, позволила привести данные в соответствие. Использование метода корреляционного анализа для проверки качества обучения нейронной сети, позволило достичь лучших результатов, по сравнению с обычными методами.

10. Проведённый сравнительный анализ результатов прогнозирования индикаторов рынка созданных пятью способами: нейросетевая пространственно-параметрическая модель, классическая нейросетевая модель, линейный регрессионный прогноз, полиномиальный регрессионный прогноз и логарифмическая регрессия, показал, что авторский метод даёт лучшие результаты.

11. Выделенные и просчитанные для данного метода критерии эффективности показали хороший результат, а именно:

- коэффициент детерминации (1*2) регрессионной модели построенной на реальном наборе данных равен 0,764, это означает, что данный метод учитывает 76,4% значимых факторов;

-средняя ошибка аппроксимации А = 4,1458 % - попадает в допустимый предел 8-10%;

-проведённый Р-тест (критерий Фишера) Р1аЫ = 0,05 < Р^, = 32,37 показал статистическую значимость и надёжность уравнения регрессии; -вероятность наступления прогноза равна 95%; -среднее линейное отклонение ¡¿] = 0,4975.

12. Разработанная система нейросетевого моделирования, является мощным и доступным средством для создания, исследования и прикладного использования. Возможно её применение в других областях науки, таких как биология, медицина и другие.

ПЕРЕЧЕНЬ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Гордиенко В. А., Евстафьев А. И. Прогнозирование индикаторов рынка недвижимости с использованием нейросетей // «Известия вузов Северо-Кавказский регион». Общественные науки. Ростов-на-Дону. 2009. с. 83-90.

2. Гордиенко В. А. Оценка эффективности обучения нейронной сети при задачах прогнозирования посредствам корреляционно-регрессионного анализа // 10-я МК «Посвященная 175-летию со дня рождения Менделеева» Самара. 2009. с. 20-23.

3. Гордиенко В. А., Прогнозирование индикаторов рынка недвижимости с использованием нейросетей // Тезисы докладов 15 ВНПК «Инновационные процессы в высшей школе» Краснодар. 2009. с. 51.

4. Гордиенко В. А., Метод прогнозирования основанный на создании многомерной ДППМ рынка недвижимости с последующим двумерным разложением и нейросетевым анализом // МНПК «В мире научных открытий» Красноярск. 2010. с. 81-82.

Подписано в печать 06.04.2011. Печать трафаретная. Формат 60x84 '/is. Усл. печ. л. 1,35. Тираж 100 экз. Заказ № 470. ООО «Издательский Дом-Юг» 350072, г. Краснодар, ул. Московская 2, корп. «В», оф. В-120

тел. 8-918-41-50-571 e-mail: olfomcnko@yandex.ru Cairr: http://id-yug.narod2.ru

Введение.

1 Анализ проблемы прогнозирования.

1.1 Общие принципы прогнозирования.

1.2 Классификация по степени формализации.

1.3 Эвристическая методика прогнозирования.

1.4 Методика прогнозирования на основе статистической регрессионной модели.

1.5 Метод нейронных сетей.

1.6 Прогнозирование на основе метода негармонического разложения ценового тренда.

Выводы.

2 Управление и принятие решения.

2.1 Концепции системного анализа и управления.

2.2 Проблемы эволюции недвижимости в пространстве и времени.

2.3 Концепция стоимости недвижимости в пространстве и времени.

2.4 Виды управления недвижимостью.

2.5 Модели управления недвижимостью.

2.6 Организационные вопросы управления.

2.7 Принятие управленческого решения.

Выводы.

3 Системный анализ объекта исследования.

3.1 Системный подход к исследованию рынка недвижимости.

3.1.1 Структура системы и классификация объектов.

3.1.2 Декомпозиция процессов функционирования.

3.1.3 Особенности рынка недвижимости.

3.1.4 Рынок недвижимости как интегрированная категория рынка.

3.2 Моделирование рынка недвижимости.

3.2.1 Общие положения построения модели рынка недвижимости.

3.2.2 Математические основы построения дискретных пространственно-параметрических моделей.

3.2.3 Классификация объектов по качеству.

3.2.4 Разделение объектов на группы по размеру.

3.2.5 Зонирование территории города.

Выводы.

4 Реализация метода прогнозирования индикаторов рынка недвижимости.

4.1 Постановка задачи.

4.2 Структура базы данных.

4.3 Методология построения дискретной пространственно-параметрической модели.

4.4 Статистическая обработка данных.

4.4.1 Построение ДППМ для текущего временного отрезка.

4.4.2 Двумерное разложение ДППМ.

4.4.3 Подготовка и нормализация данных.

4.5 Интеллектуальная обработка данных.

4.5.1 Обучение множества нейронных сетей по всей предыстории.

4.5.2 Оценка качества обучения и выбор наиболее удачных сетей при помощи корреляционного анализа.

4.6 Регрессионное моделирование.

4.7 Сравнение полученных результатов с другими методами.

4.8 Критерии эффективности для данной задачи.

4.9 Применение данного метода в других областях науки.

Выводы.

В.последние несколько лет наблюдается повышенный интерес к нейронным сетям, которые успешно применяются в самых различных областях - бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Рынок недвижимости является не исключением.

Успех бизнеса в условиях рыночной экономики во многом определяется качеством информации, на основе которой принимаются ответственные финансовые решения. Именно поэтому сбор и аналитическая обработка информации, в том числе рыночной, сегодня является как предметом отдельного изучения с научно-методогической точки зрения, так и предметом самостоятельного бизнеса.

Рынок недвижимости, в отличии от фондового, более чем далёк от совершенного по многим позициям, что и определяет особенности его исследования. С одной стороны, аналитики сталкиваются с трудностями, а порой и невозможностью корректной и однозначной формализацией экономических взаимосвязей на рынке недвижимости. С другой стороны, очевидна бесперспективность переноса на рынок недвижимости в чистом виде технологий анализа, применяемых на других рынках, так как эти технологии адаптивны, для применения в другой рыночной среде. Ввиду этого постоянно появляется необходимость совершенствования существующих методик исследования и разработки новых. Качественная аналитическая работа на рынке недвижимости представляется в высшей степени сложным предметом, требующим глубокой проработки методологии исследования, правил интерпретации данных и алгоритма выработки рекомендаций [1,2,8,15,20].

Потребность в усовершенствовании существующих методических приемов заставляет использовать совершенно новые технологии в задачах прогпозирования. Значительные успехи ученых и разработчиков в области развития нейро-сетевых технологий определяют это направление как современное и быстро развивающееся, а примеры успешного и экономически эффективного прикладного применения методов нейроматематики отражают перспективность его дальнейшего развития.

Математическое моделирование является неотъемлемой частью управления и обработки информации. Высокое качество управления достигается путём прогнозирования состояния рынка, осуществление упреждающего или оперативного управления и, в результате, минимизация потерь[22,23,25,26].

Важной задачей в области инвестиций является эффективное управление денежными потоками. Для принятия решения инвестиционным компаниям необходимо обладать качественными краткосрочными прогнозами. Результатом деятельности таких компаний является получение прибыли, поэтому получения достоверных краткосрочных прогнозов является актуальной и современной задачей.

Актуальность этой диссертационной работы заключается в следующих выводах:

• разработка метода краткосрочного прогнозирования-индикаторов рынка недвижимости на основе технологии нейросетевого пространственно-параметричекого моделирования является серьезным вкладом в развитие направления прогнозирования;

• реализация метода позволит создать мощное и доступное средство прогнозирования, объединяющее в себе достоинства нейросетевых, дискретных пространственно-параметрических и регрессионных моделей;

• использование данного метода, позволит эффективно принимать решения, большинству участников этого рынка, таким как строительные организации, агентства недвижимости, инвестиционные и оценочные компании.

Целью работы является разработка метода краткосрочного прогнозирования на основе технологии нейросетевого пространственно-параметрического моделирования для принятия управленческого решения.

Для достижения указанных целей были поставлены следующие задачи:

• провести системный анализ рынка недвижимости, провести декомпозицию процессов его функционирования и выявить основные особенности;

• построить дискретную пространственно-параметрическую модель исследуемой системы, отражающую поведение системы;

• провести анализ основных методов прогнозирования на рынке недвижимости и выявить их основные недостатки;

• рассмотреть особенности использования нейросетевых технологий для задач прогнозирования;

• провести анализ процессов управления и принятия решений на рынка недвижимости;

• разработать метод краткосрочного прогнозирования индикаторов рынка недвижимости, способный эффективно работать в период излома тенденций;

• выполнить экспериментальную проверку применимости разработанного метода на реальном наборе данных;

• провести сравнение результатов исследования с результатами полученными другими методами;

Содержание диссертационной работы отражает реализацию поставленных задач.

С точки зрения системного анализа — необходимо разработать модель, которая позволит:

• повысить эффективность управления рынком недвижимости;

• расширить и углубить представление о механизме взаимодействия объектов в системе, изучить и, возможно открыть новые свойства.

Предметом исследования являлись современные методики анализа и прогнозирования рынка недвижимости.

В качестве объекта исследования рассматривался рынок недвижимости Российской Федерации. Более углубленные исследования и их практическая реализация осуществлялась на примере г. Краснодара.

Информационная база работы:

• Корпоративная риэлтерская база данных ООО " Агентство недвижимости ВИЛЛАН"

• Аналитическая база данных отдела консалтинга ООО " Агентство недвижимости ВИЛЛАН"

Программные продукты:

• Microsoft SQL Server 2000

• NeuroPro 0.25

• Qnet 2000

• SPSS 13.0

• 3ds max 6.0

Теоретической и методологической основой исследования послужили: работы отечественных и зарубежных ученых, посвященные прогнозированию на рынке недвижимости, теория вероятностей и математической статистики, теория нейронных сетей, методы стоимостного анализа и экономико-математического моделирования[2,4,5,9,15,31,34,36,77,84].

В первой главе диссертации проведён анализ основных методов прогнозирования на рынке недвижимости. Выявлены основные проблемы прогнозирования и описаны недостатки существующих моделей. Обоснована необходимость создания новой методики для краткосрочного прогнозирования.

Во второй главе рассмотрен системный подход к управлению рынком недвижимости. Рассмотрена модель управления недвижимостью и основные проблемы, возникающие в процессе управления.

В третьей главе выполнен системный анализ рынка недвижимости, он определён как сложная динамическая система. Описано моделирование рынка недвижимости с использованием дискретно-пространственной параметрической модели. Математические основы построения модели и её практическое применение на рынке недвижимости.

В четвёртой главе обоснован и описан метод прогнозирования индикаторов рынка недвижимости. Продемонстрировано практическое применение на рынке недвижимости г. Краснодара. Проведено сравнение результатов исследования с другими методами прогнозирования. Даны рекомендации по использованию метода для принятия управленческого решения. Обоснована универсальность метода и возможность его применения в других областях науки таких как: экономика, биология, медицина, социология и другие.

В заключении перечислены научные и практические результаты, полученные автором в ходе исследований.

В приложениях представлены скрипты используемые при двумерном разложении трёхмерной пространственно-параметрической модели и вербальное описание нейронной сети.

Задачи исследования решены с использованием методов теории искусственных нейронных сетей, системного анализа, математического моделирования и статистики.

Научная новизна выполненных в диссертации исследований заключается в следующем:

• разработан метод прогнозирования на основе разложения дискретной пространственно-параметрической модели с последующим нейросетевьтм анализом;

• разработана методология оценки эффективности обучения нейронной сети с использованием корреляционного анализа;

• разработана методика вычисления пропущенных или недостоверных значений параметров в ячейках дискретной пространственно-параметрической модели;

• разработана методика сценарного прогнозирования связанных'значений одной части набора индикаторов рынка в определенной ячейке дискретной пространственно-параметрической модели (входов сети) для заданного значения другой части набора,индикаторов рынка (выходов сети).

Практическая значимость работы заключается в разработке и апробации метода краткосрочного прогнозирования индикаторов рынка недвижимости на основе технологии нейросетевого пространственно-параметрического моделирования. Рынок недвижимости нуждается в качественном анализе и прогнозировании, существующие методы прогнозирования плохо применимы в период отличающийся нестабильностью (период излома тенденции). Данный метод дает намного более точный прогноз.

Разработанная методика краткосрочного прогнозирования используется для поддержки принятия решения на предприятиях: ООО «Агентство недвижимости ВИЛЛАН» (г. Краснодар), ООО «Домострой» (г. Краснодар) и ООО «Кубань Риэлт» (г. Краснодар).

Основные положения, выносимые на защиту:

• метод прогнозирования индикаторов рынка недвижимости путём двумерного разложения дискретной пространственно-параметрической модели на основе нейронной сети;

• методология оценки качества обучения нейронной сети с использованием корреляционного анализа;

• методика вычисления пропущенных и недостоверных данных в обучающей выборке;

• методика сценарного прогнозирования связанных значений одной части набора индикаторов - входов сети, для заданного значения другой части -выходов сети;

• результаты применения метода прогнозирования на реальном наборе данных;

• результаты сравнительного анализа прогнозирования индикаторов рынка недвижимости, созданных пятью способами: нейросетевая пространственно-параметрическая модель, классическая нейросетевая модель, линейный регрессионный прогноз, полиномиальный регрессионный прогноз и логарифмическая регрессия.

Основные положения диссертационной работы докладывались и обсуждались на 15-й Всероссийской научно-практической конференции «Инновационные процессы в высшей школе» (г. Краснодар, 2009 г.), 10-й Международной конференции «Актуальные проблемы современной науки» (г. Самара, 2009 г.), Всероссийская конференция «Анализ и прогноз рынка недвижимости» (г. Санкт-Петербург, 2009 г.) и 2-й Всероссийской научной конференции «Научное творчество 21 века» (г. Красноярск, 2010 г.).

Основной материал работы опубликован в 3 научных статьях (в том числе одна в издании из перечня ВАК) и 2 тезисах докладов.

Диссертация состоит из введения, четырёх разделов, заключения, списка использованной литературы и приложений. Ее общий объем составляет 152 страницы машинописного текста. Работа содержит 11 таблиц, 26 рисунков, список литературы из 128 наименований.

Выводы

В третьей главе была создана и применена методика краткосрочного прогнозирования на основе технологии нейросетевого пространственно-параметрического моделирования, по результатам исследований можно сделать следующие выводы:

1) построенная ДППМ рынка недвижимости позволяет анализировать рынок как одно целое, а не конкретную его часть;

2) двумерное разложение ДППМ по трём плоскостям позволяет получить достаточное количество данных для обучающей выборки нейронной сети;

3) методика нормализации и интерполяции данных для обучения, позволила привести данные в соответствие;

4) использование метода корреляционного анализа для проверки качества обучения нейронной сети, позволило достичь лучших результатов, по сравнению с обычными методами;

5) итогом этапа нейросетевого анализа является, по сути, не один прогноз, а три (по числу измерений ДППМ), оценивая их качество (по критерию максимальной корреляции) можно найти то, каким образом агрегировать их в более достоверный один прогноз;

6) метод, основанный на нейросетевом анализе ДППМ, дает намного более точный прогноз, данный метод угадывает направление изменения индикатора рынка (в нашем случае — цены) на временном интервале, отличающемся нестабильностью поведения наблюдаемого индикатора;

7) в результате получен коэффициент детерминации (Я2) регрессионной модели построенной на тестовой выборке равен 0,764, что говорит о том, что данный метод учитывает 76,4% значимых факторов;

8) проведённый сравнительный анализ результатов прогнозирования индикаторов рынка созданных пятью способами: нейросетевая пространственно-параметрическая модель, классическая нейросетевая модель, линейный регрессионный прогноз, полиномиальный регрессионный прогноз и логарифмическая регрессия, показал что авторский метод даёт лучшие результаты;

9) выделенные и просчитанные критерии эффективности показали хорошую эффективность данного метода, а именно: a. средняя ошибка аппроксимации А = 4,1458 % - попадает в допустимый предел 8-10%; b. проведённый Р-тест (критерий Фишера) показал статистическую значимость и надёжность уравнения регрессии; c. вероятность наступления прогноза равна 95% среднее линейное отклонение \Е\ = 0,4975

10) корреляционно-регрессионный анализ можно применить при анализе взаимосвязи параметров внутри ячейки с одним целевым параметром; однако тогда не учитывается единство внутри слоя ячеек: регрессионная модель предполагает зависимость одного параметра от множества других; при использовании нейронных сетей можно получить набор связанных выходов, тем самым резюмируется наличие внутренней логической связи между ячейками, вошедшими в один слой;

Разработанная методика краткосрочного прогнозирования на основе технологии нейросетевого пространственно-параметрического моделирования успешно применена на рынке недвижимости, так же дано обоснование (приведены практические примеры) возможности её применения в других областях науки таких как: биология, медицина, социология и другие.

ЗАКЛЮЧЕНИЕ

Проделанная в рамках диссертации работа позволила ответить на поставленные вопросы, цели и задачи исследования. Основными' задачами исследования являлись: системный анализ рынка недвижимости, создание методики краткосрочного прогнозирования индикаторов рынка недвижимости на основе технологии нейросетевого дискретно-пространственного моделирования и ее апробация в важной прикладной проблеме. Выполненные нами исследования и разработки позволили получить сделать следующие выводы:

1. Рынок недвижимости определён как сложная динамическая система. Установлено, что для него характерна значительная неопределённость, связанная с разнотипностью инцидентных факторов: детерменированных, вероятностно-статистических, субъективных, в связи с чем определена актуальность задачи исследования и. прогнозирования будущих тенденций на рынке.

2. В результате исследования системы, выявлено, что информация о системе обладает значительной зашумлённостью и неудовлетворительным качеством, отсюда вытекает необходимость применения методов, которые позволяют игнорировать недостатки информации. В связи с чем была разработана методика нормализации и интерполяции данных для улучшения качества обучающей выборки.

3. Для анализа системы была описана математическая модель построения дискретной пространственно-параметрическая модели рынка недвижимости, а в последней главе построена ДППМ рынка недвижимости г. Краснодара. ДППМ удовлетворяет основным требованиям системного подхода и является мощным средством для анализа рынка, как сама по себе с использованием статистического анализа, так и более высокоуровневое с исI пользованием нейронных сетей.

4. Проведённый сравнительный анализ методов прогнозирования, выявил, что существующие методы не позволяют анализировать систему в целом, плохо работают в период излома тенденции, для регрессионного анализа бывает недостаточно статистических рядов наблюдений и являются малоэффективными для краткосрочного прогнозирования. В связи, с чем была обусловлена необходимость разработки нового метода прогнозирования.

5. Таким образом можно выделить положительные черты разработанного метода:

- учитывает различные стороны, отталкивается одновременно от пространственного анализа, анализа динамики показателей, учёт внешних факторов самой дискретно-пространственной параметрической модели и исследует зависимости внутри системы;

- работоспособен в период излома тенденций;

- работоспособен при отсутствие полной информации о системе;

- концентрация специалистов из разных областей науки (нейроанализ, статистика, эконометрика, регрессионный анализ и др.).

6. Управление системой было рассмотрено с точки зрения системного подхода и это позволило сделать вывод что рынок недвижимости отвечает всем признакам саморегулируемой кибернетической системы с обратными связями.

7. Для управления рынком недвижимости данный метод могут применять большинство игроков: инвестиционные компании, строительные компании, государственные органы, оценочные компании и агентства недвижимости.

8. В результате системного анализа создана нейростевая модель прогнозирования индикаторов рынка недвижимости. Которая основана на двумерном разложении трёхмерной дискретной пространственно-параметрической модели рынка недвижимости, с последующим нейросете-вым моделированием и регрессионным анализом.

9. Методика нормализации и интерполяции данных для обучения, позволила привести данные в соответствие. Использование метода корреляционного анализа для проверки качества обучения нейронной сети, позволило достичь лучших результатов, по сравнению с обычными методами.

10. Проведённый сравнительный анализ результатов прогнозирования индикаторов рынка созданных пятью способами: нейросетевая пространственно-параметрическая модель, классическая нейросетевая модель, линейный регрессионный прогноз, полиномиальный регрессионный прогноз и логарифмическая регрессия, показал, что авторский метод даёт лучшие результаты.

11. Выделенные и просчитанные для данного метода критерии эффективности показали хороший результат, а именно: a. коэффициент детерминации (К2) регрессионной модели построенной на реальном наборе данных равен 0,764, что говорит о том, что данный метод учитывает 76,4% значимых факторов; b. средняя ошибка аппроксимации А = 4,1458 % - попадает в допустимый предел 8-10%; c. проведённый Р-тест (критерий Фишера) показал статистическую значимость и надёжность уравнения регрессии; с1. вероятность наступления прогноза равна 95%; е. среднее линейное отклонение \Е\ = 0,4975.

12. Разработанная система нейросетевого моделирования, является мощным и доступным средством для создания, исследования и прикладного использования. Возможно её применение в других областях науки, таких как биология, медицина и другие.

1. Де Марк Т. Технический анализ новая наука. М., 1997.

2. Стерник Г.М. Рынок недвижимости России как сектор рыночной экономики. В сб. "Федеральный Справочник, июль-декабрь 1999. года", вып. 6, изд. "Родина-ПРО". -М., 2000, с. 415-452.

3. А.В. Марченко «Экономика и управление недвижимости»

4. А.Н. Асаул, Карасев А.В. Экономика недвижимости

5. С.Н. Максимов «Экономика недвижимости» Учебное пособие СПб: Издательство Санк-Петербургского университета 1999, с. 101 — 123

6. В.А. Горемыкин Э.Р. Бугулов «Экономика недвижимости» М. 1999 с. 404-480

7. Стерник Г.М. Математические основы методологии дискретного про-странственно-парамефического моделирования рынка недвижимости. realty-market.ru. март 2003.

8. Грибовский СВ., Федотова М.А., Стерник Г.М. Житков ДБ. «Методология массовой оценки квартир для налогообложения». «Бюллетень финансовой информации» №1(116) Январь 2005, cip. 14-29.

9. Грибовский СВ. Федотова МА., Стерник Г.М., Житков Д.Б. «Экономико-математические модели оценки недвижимости». «Финансы и кредит» 3(171), январь 2005. стр. 24-43.

10. Стерник Г.М., Ноздрина Н.Н. Методология сбора и обработки информации о рынке недвижимости (пособие риэлтору). РГР, М. 1997. — 96 с.

11. Стерник Г. М. Методические рекомендации по анализу рынка недвижимости. РГР, М., 1998. - 60 с.

12. Стерник Г.М. Технология анализа рынка недвижимости (учебное пособие). РГР, 2002. - 130 с.

13. Н. Бурбаки. Теория множеств. М.: Изд. «Мир», 1965. - 455 с.

14. Джозеф К. Эккерт. Организация оценки и налогообложения недвижимости. 2 т. М.: Стар Интер, 1997.

15. Калинина Н.В. Отчет о результатах введения налога на недвижимость в Великом Новгороде, утвержденного решением Думы Великого Новгорода 25.12.2003 № 659.

16. Стерник Г.М. Рынок коммерческой недвижимости Москвы. В сб. «Рынок недвижимости России в 1998 году. Анализ и прогноз». РГР, М., 1999.

17. Стерник Г.М. Как прогнозировать цены на жилье (методическое пособие риэлтору). РГР, М., 1996. 38 с.

18. Стерник Г.М., Краснопольская А.Н. Метод негармонического разложения ценового тренда,-www.realtymarket.org. июль 2006 г.

19. Ю.П. Сурмин «Теория систем и системный анализ.» 227 с.

20. Г.В. Бабенко. Теория систем и системный анализ: Учебное пособие / Кубанс. Гос. Технол. Ун-т. Краснодар. Изд. ГОУВПО «КубГТУ», 2004.-197 с.

21. Экономика и управление недвижимостью: Учебник для вузов / Под общ. Ред. П.Г. Грабового. Смоленкс: Смолин Плюс; M.: ABC, 1999

22. А.В. Марченко. Экономика и управление недвижимостью. Учебное пособие. Ростов н/Д: Феникс 2007. 448 с. (Высшее образование) (управление страница 155)

23. Вайну Я. Я.-Ф. Корреляция рядов динамики. М., 1977.

24. Пахомова О.М., Федоров В.П. Земля в городе и проблема ее массовой рыночной оценки. (Модельное и Информационное обеспечение массовой оценки территории города). // Вопросы оценки. 1997. №4. с.48.

25. Мерлен П. Город. Количественные методы изучения. Пер. с франц. М., 1977.

26. Доререр М.Г. Психологческая интуиция искусственных нейронных сетей: дис. канд. техн. наук. Красноярск, 1998.- 126 с.

27. Brand Е., Gerritsen R. Data Mining and Knowledge Discovery // DBMS. 1998.

28. Аджиев В. MineSet визуальный инструмент аналитика // Открытые системы. - 1997. - С. 72-77.

29. Вайну Я. Я.-Ф. Корреляция рядов динамики. М.: Статистика, 1977.- 119 с.

30. Гупал А. М., Пономарев А. А., Цветков А. М. Об одном методе индуктивного вывода с подрезанием деревьев решений // Кибернетика и системный анализ. 1993. - С. 174-178.

31. Джейн А. К., Мао Ж., Моиуддин К. М. Введение в искусственные нейронные сети // Открытые системы. 1997. - - С. 16-24.

32. Елисеева И. И., Юзбашев М. М. Общая теория статистики / Под ред. чл.-корр. РАН И. И. Елисеевой. М.: Финансы и статистика, 1996. - 368 е.: ил.

33. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - 4. - С. 41-44.

34. Крастинь О. П. Разработка и интерпретация моделей корреляционных связей в экономике. Рига: Зинатне, 1983.

35. Уоссермен. Ф. Нейрокомпьютерная техника: Теория и практика. -М.: Мир, 1992.-240 с.

36. D. Prokhorov, D. Wanch. Adaptive critic designs. IEEE transactions on Neural Networks, September 1997, pp. 997-1007

37. T. Shannon, G. Lendaris. A new hybrid critic-training method for approximate dynamic programming

38. Prokhorov D., L. A. Feldcamp. Generalized adaptive critic and their applications. IJCNN'99, session 6.5, Washington D. C.

39. Werbos P. J. Stable adaptive controlusing new critic design. In The handbook of applied computational intelligence? Karayiannis, Padgett & Zadeh, eds., CRC Press.

40. Campos J., Lewis F. L. Adaptive critic neural network for feedforward compensation. American control conference, San Diego, California. June 1999.

41. Holland J.H., Holyoak K.J., Nisbett R.E., Thagard P. Induction: Processes of Inference, Learning, and Discovery. Cambridge: MIT Press, 1986. 416 p.

42. R. Sutton and A. Barto. Reinforcement Learning: An Introduction. Cambridge: MIT Press, 1998. 432 p. See also: http://www-anYv.es.umass.cdu/~rich/book/the-book.html

43. Tsitolovsky L.E. (1997) A model of motivation with chaotic neuronal dynamics // Journ. of Biological Systems, V. 5. N.2, pp. 301-323.

44. E.F. Codd, S.B. Codd, and C.T.Salley, Providing OLAP (on-line analytical processing) to user-analysts: An IT mandate. Technical report, 1993

45. Ralph Kimball, "The Data Warehouse Toolkit: Practical Techniques for Building Dimensional Data Warehouses", John Wiley & Sons, 199647. "The Data Webhouse Toolkit: Building the Web-Enabled Data Warehouse", John Wiley & Sons, 2000

46. Parsaye K. OLAP and Data Mining: Bridging the Gap // Database Programming and Design. 1997. - № 2.

47. Parsaye K. A Characterization of Data Mining Technologies and Processes // The Journal of Data Warehousing. -1998.-M? 1.

48. Терехов С. А. «Лекции по теории и приложениям искусственных нейронных сетей» URL

49. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере Новосибирск: Наука, Сибирская издательская фирма РАН, 1996.-276 с.

50. Марчук Г.И. Методы вычислительной математики. 3-е изд., М.:Наука,1989

51. Meyer J.-A., Wilson S. W. From animals to animats. Proceeding of the First International Conference on simulation of adaptive behavior. The MIT Press: Cambridge, Massachusetts, London, England. 1990.

52. Введение в искусственные нейронные сети /Анил К. Джейн, Жи-анчанг Мао,

53. К.М. Моуддин // Открытые системы. 1997. - №4. - С. 16-24.

54. Шумков Е. А., Семенов С. С. Нейросетевая моделирующая система NNWizard. Инновационные системы в высшей школе. Материалы VIII Всероссийской научно-практической конференции. Краснодар. Изд. КубГТУ. 2002. с. 129

55. Piaget J. Genetic Epistemology, New York, Colambia University Press. 197058. Шумский .Лекция 4

56. Сураджит Чаудхури, Умешвар Дайал, Венкатеш Ганти. Технология баз данных в системах поддержки принятия решений. Открытые системы 2002 № 1. сс. 37-44.

57. Педерсен Т., Иенсен К. Технология многомерных баз данных. Открытые системы 2002 № 1. сс: 45-50.

58. Армстронг Р. Семь этапов оптимизации производительности хранилища данных. Открытые системы 2002 №1. сс: 51-54.

59. Гарбар П. Организация отказоустойчиво хранилища. Открытые системы 2002 №4. сс: 56-61.

60. Кузнецов С. Хранилища данных в начале века. Открытые системы 2002 №1. сс: 35-36.

61. Barclay et al., Loading Databases Using Dataflow Parallelism, SIG-MOD Record, Dec. 1994.

62. J. Gray et al!, "Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tabb, and Sub Totals", Data Mining and Knowledge Discovery J., Apr. 1997

63. S. AGrawal et al., "On the Computation of Multidimensional Aggregates", Proc. VLDB Conf., Morgan Kaufmann, San Francisco, 1996.

64. V. Harinarayan et al., "Implementing Data Cubes Efficiently", Proc. SIGMOD Conf., CAN Press, New York, 1996.

65. L. Breiman et al., Classification and Regression Trees, Chapman & Hall/CRC, Boca Raton, Fla., 1984

66. V. Ganti, J. Gehrke, R. Ramakrishann, "Mining Very Large Data Sets", Computer, Aug. 1999

67. J. Han, M.Kamber, Data Mining: Concepts and Techniques, Morgan Kauffmann, San Francisco, 2001

68. S. Sarawagi, "User Adaptive Exploration of OLAP Data Cubes", Proc. VLDB Conf., Morgan Kaufmann, San Francisco, 2000.

69. J. Han, "OLAP Mining: An Integration of OLAP with Data Mining", Proc. IF1P Conf. Data Semantics, Chapman & Hall/CRC, Boca Raton, Fla., 1997.

70. M. Hernandez, S. Stolfo, "The Merge/Purge Problem for Large Databases", Rroc. SIGMOD Conf., ACM Press, New York, 1995.

71. H. Galhardas et al., "Declarative Data Cleaning: Model, Language, and Algorithms", Proc. VLDB Conf., Morgan Kaufmann, San Francisco, 2001.

72. Введение в искусственные нейронные сети /Анил К. Джейн, Жи-анчанг Мао,

73. K.M. Моуддин // Открытые системы. 1997. - №4. - С. 16-24.

74. Галушкин. А.И. Нейрокомпьютерные системы. М.: Издательское предприятие журнала "Радиотехника", 2000.- 205с.

75. Галушкин А.И. О Современных направлениях развития нейрокомпьютеров //Информационные технологии. 1997. - №5. - С. 2-5.

76. Долматова JLM. Что считать результатами обучения: интерполяция зависимостей посредством анализа топологии обученной нейронной сети// Известия РАН. Теория и системы упрпавления. 1996. - №5. - С7Ь75. ,

77. Доререр М.Г. Психологческая интуиция искусственных нейронных сетей: дис. канд. техн. наук. Красноярск, 1998.- 126 с.

78. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М: ФИАН , 1998. - 222с.

79. Ермоленко В.В. Разработка нейросетевой базы знаний интеллектуальной автоматизированной системы мониторинга образовательного процесса: дис. канд. техн. наук. Краснодар, 1996.- 130 с.

80. Нейронные сети в медицине / А.Ежов, В.Чечеткин // Открытые системы. -1997.- №4. С. 34-37.

81. Сравнительный анализ линейных методов обучения нейронных сетей/ Кузьминов O.A., Смолицкий Х.Л.,Франков М.Ф.// Известия ВУЗов. Приборостроение. 1996. - №1. - С. 15-17.

82. Цуприков С. Нейронные вычисления берутся на вооружение финансистами //Банковские системы. 1995. - №7. - С. 57,58.

83. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений/Юткрытые системы. 1998. - №1. - С. 30-35.

84. Яковлев B.JT., Яковлева Г.Л., Малиевекий Д.А. Нейросетевая экспертная система управления портфелем банка // V Всероссийская конференция "Нейрокомпьютеры и их применение". Сборник докладов 1999, С.291-294.

85. Яковлев B.JL, Яковлева Г.Л., Лисицкий Л.А. "Применение нейро-сетевых алгоритмов к анализу финансовых рынков" // "Информационные технологии" № 8, с 35-36.

86. Gallant S. I. Neural Network Learning and Expert Systems . MIT Press, Cambridge, MA, 1993.

87. Заенцев И. В. Нейронные сети: основные модели. Учебное пособие . Воронеж: ВГУ. 1998.- 76с.

88. Суровцев И. С., Клюкин В. И., Пивоварова Р. П., Нейронные сети. Воронеж: ВГУ, 1994. - 224с.

89. Мкртчян С. О. Нейроны и нейронные сети. М: Энергия, 1971. -232 с.

90. Волькштейн М. В. Биофизика: Учебное руководство. М: Наука, Гл. ред. физ. - мат. лит., 1988. - 592 с.

91. Gaskett С., Fletcher L., Zelinsky A. Reinforcement Learning for Visual Servoing of a Mobile Robot. ANU, ACT, Canberra. 2000.

92. Бутенко А. А. и др., Обучение нейронной сети при помощи алгоритма фильтра ЬСалмана. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение», НКП- 2002. Москва, 2002.

93. Степанов В., Фондовый рынок и нейросети. Мир ПК, 1998 №12, с. 40-46.

94. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. Москва: ТВП, 1997. - 236 с.

95. Де Марк Т. Технический анализ новая наука. - М.: Диаграмма, 1997.

96. Змиртович А.И. Интеллектуальные информационные системы. --Мн.: НТООО «ТетраСистемс», 1997. 368 с.

97. Лиховидов В.Н., Сафин В.И. Технический анализ валютных рынков. Владивосток: Изд-во ДВГАЭУ, 1998. -200 с.

98. Меладзе В. Курс технического анализа М.: Серебряные нити, 1997.-272 с.

99. Наговицин А.Г., Иванов В.В. Валютный курс. Факторы. Динамика. Прогнозирование. М.: Инфра-М, 1995. - 176 с.

100. Сорос Дж. Алхимия финансов/ Пер. с англ. Аристова Т.С. М.: ИНФРА-М, 1999.-416 с.

101. Эрлих А. Технический анализ товарных и фондовых рынков. М.: Юнити, 1996.

102. Соколов E.H., Вайткявичюс Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989

103. Галушкин А.И., Кирсанов Э.Ю. Нейронные системы памяти. Часть 1. М.: Изд-во МАИ, 1991

104. Галушкин А.И., Кирсанов Э.Ю. Нейронные системы памяти. Часть 2. М.: Изд-во МАИ, 1991

105. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++, М.: "Издательство Бином", СПб.: "Невский диалект", 1999.

106. Страуструп Б. Язык программирования С++, 3-е изд., СПб.: "Невский диалект" "Издательство БИНОМ", 1999.

107. Зенкевич С. JL, Ющенко А. С., Управление роботами. Изд: МГТУ, 2000, 400 с.

108. Ариб М. Алгебраическая теория автоматов, языков и полугрупп: пер. с англ. М.: Статистика, 1975

109. Глушков В. М. Теория автоматов и вопросы проектирования структур цифровых машин. Кибернетика, 1965 №1, сс. 3-11.

110. Брауэр Б. Введение в теорию конечных автоматов: Пер. с англ. М.: радио и связь, 1987

111. Иванов Н. Н., Михайлов Г. И., Руднев В. В., Таль А. А. Конечные автоматы: эквивалентность и поведение. М.: Наука, 1984.

112. Питерсон Дж. JI. Теория сетей Петри и моделирование систем. Пер. с англ. М.: Мир, 1984.

113. Вукобратович М., Стокич Д., Кирчински Н. Неадаптивное и адаптивное управление манипуляционными роботами. М.: Мир, 1989.

114. Тимофеев А. В. Адаптивные робототехнические комплексы. Л.: Машиностроение, 1988.

115. Воротников С. А. Информационные устройства и системы. Часть Г. Учебное пособие. М.: Изд. МГТУ, 1995.

116. Кречетов Н. Продукты для интеллектуального анализа данных. -Рынок программных средств, N14-1597, с. 32-39

117. Мошков М.Ю. О глубине деревьев решений // Доклады РАН. 1998. Т. 358. 1.С. 26.

118. Intelligent Systems for Finance and Business, Edited By Suran Goo-natilake and Philip Treleaven -John Wiley & Sons Inc., 1995.

119. Shavlik J. W. An overview of research at Wisconsin on knowledge-based neural networks. Proc. of int. conf. on neural networks, pp. 65-69, Washington, DC, 1996.

120. Гордиенко В. А., Евстафьев А. И., Прогнозирование индикаторов рынка недвижимости с использованием нейросетей. «Известрш вузов», Ростов-на-Дону: Северо-Кавказский регион, 2009, с. 83-90

121. Гордиенко В. А., Оценка эффективности обучения нейронной сети при задачах прогнозирования посредствам корреляционно-регрессионного анализа. 10-я МТС «Посвящённая 175-летию со дня рождения Менделеева», Самара, 2009, с. 20-23

122. Гордиенко В. А., Прогнозирование индикаторов рынка недвижимости с использованием нейросетей. Тезисы докладов 15 ВНПК «Инновационные процессы в высшей школе», Краснодар: 2009

123. Гордиенко В. А., Метод прогнозирования основанный на создании многомерной ДППМ рынка недвижимости с последующим двумерным разложением и нейросетевым анализом. МНПК «В мире научных открытий», Красноярск: 2010