автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Совершенствование системы управления процессом автоматизированного прогнозирования социально-экономических показателей в металлургии

ВВЕДЕНИЕ.

1 СОСТОЯНИЕ ПРОБЛЕМЫ СОВЕРШЕНСТВОВАНИЯ АВТОМАТИЗИРОВАННОГО ПРОГНОЗИРОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ПРОЦЕССОВ В МЕТАЛЛУРГИЧЕСКОМ КОМПЛЕКСЕ.

1.1 Анализ известных систем прогнозирования временных рядов.

1.2 Особенности технологии автоматизированного прогнозирования социально-экономических процессов

1.3 Постановка задачи совершенствования технологии автоматизированного прогнозирования временного ряда.

2 ОПТИМИЗАЦИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ НА ОСНОВЕ ЭВОЛЮЦИОННОГО ПОДХОДА.

2.1 Описание процесса оптимизации автоматизированной системы прогнозирования на основе генетического алгоритма.

2.2 Методика поиска оптимальных значений параметров генетического алгоритма.

2.3 Экспериментальная система определения оптимальных параметров генетического алгоритма.

3 МЕТОД КОРРЕКЦИИ ЗНАЧЕНИЯ ПРОГНОЗА НА ОСНОВЕ НЕЧЕТКОЗНАЧНОГО ИСЧИСЛЕНИЯ.

3.1 Формализация процесса нечеткого логического вывода.

3.2 Постановка задачи коррекции значения прогноза на основе нечеткой логики.

3.3 Процедура коррекции прогнозного значения

3.4 Экспериментальная система исследования метода коррекции значения прогноза на базе нечеткого логического вывода.

4 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ МОДИФИЦИРОВАННОЙ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ.

4.1 Функциональная схема программного обеспечения модифицированной автоматизированной системы прогнозирования временных рядов.

4.2 Экспериментальные исследования автоматизированной системы прогнозирования.

4.3 Перспективы дальнейшего развития автоматизированной системы прогнозирования социально-экономических процессов.

Современный металлургический комплекс - это сложная социально-экономическая система, эффективное управление которой невозможно сегодня без решения проблемы прогнозирования основных показателей ее развития. Происходящие процессы описываются в большинстве случаев дискретными временными рядами, имеющими стохастический характер. Значения временного ряда, как правило, являются результатом воздействия многих, зачастую не связанных друг с другом случайных факторов. Каждый из них имеет свою историю, что позволяет на основе анализа предшествующих значений временного ряда построить прогноз дальнейшего развития исследуемых процессов.

В настоящее время разработано немало методов и систем прогнозирования временных рядов, описывающих социально-экономические процессы. К ним можно отнести статистические, нейросетевые и др., однако практически все подходы имеют, по крайней мере, два существенных недостатка. Во-первых, в существующих системах прогнозирования серьезное влияние на точность прогноза оказывает квалификация и опыт специалиста, занимающегося прогнозированием. Создание автоматизированной системы, использующей метод нелинейных главных компонент, позволило решить эту проблему, однако время построения прогноза осталось весьма значительным.

Кроме того, в случае возникновения нового фактора, существенно влияющего на происходящий процесс, а следовательно, на значение прогноза, практически все системы прогнозирования становятся неработоспособными на период накопления достаточной статистики. В этой связи проблема дальнейшего совершенствования технологии прогнозирования с 3 целью устранения отмеченных недостатков представляется актуальной.

Цель работы: совершенствование системы управления технологией автоматизированного прогнозирования временных рядов, направленное на увеличение скорости построения прогноза и обеспечение устойчивой работы системы в условиях возникновения нового фактора, существенно влияющего на протекающие социально-экономические процессы. В соответствии с этим в работе решаются следующие основные задачи:

1) Анализ современного состояния проблемы автоматизированного прогнозирования временных рядов.

2) Разработка алгоритма управления технологией автоматизированного прогнозирования временных рядов, описывающих социально-экономические процессы, на основе эволюционного подхода.

3) Разработка метода коррекции значения прогноза при возникновении нового фактора, существенно влияющего на развитие социально-экономического процесса.

4) Разработка программного обеспечения модифицированной автоматизированной системы прогнозирования временных рядов.

Методы исследований. Для решения поставленных в работе задач использован аппарат теории генетических алгоритмов, теории нечетких множеств и нечеткой логики, теории вероятностей и математической статистики.

Научная новизна результатов работы состоит в следующем: 1) Предложен способ управления технологией автоматизированного прогнозирования временных рядов на базе генетических алгоритмов, позволяющий увеличить скорость построения прогноза в среднем в 6,7 раза без потери точности.

2) Разработана процедура определения оптимальных параметров генетического алгоритма, использующая эвристический метод направленного перебора.

3) На основе теории нечетких когнитивных схем разработан метод коррекции значения прогноза, устойчиво работающий в случае возникновения нового фактора, существенно влияющего на развитие социально-экономического процесса.

Практическая ценность работы заключается в следующем:

1) Разработано программное обеспечение модифицированной автоматизированной системы прогнозирования временных рядов, описывающих социально-экономические процессы.

2) Разработана инженерная методика оценки эффективности способа нечеткого логического вывода при решении задачи коррекции прогноза.

3) Даны практические рекомендации по решению задачи лингвистического представления событий (факторов) и задания характера и силы воздействия одного фактора на другой. Описаны основные характеристики факторов и операции над ними.

4) Создано алгоритмическое и программное обеспечение для поиска оптимальных параметров ГА.

5) Результаты диссертации использованы в учебном процессе в Институте менеджмента и информационных технологий Санкт-Петербургского государственного политехнического университета в г. Череповце в курсах «Системы искусственного интеллекта и нейрокомпьютерная техника» и «Математическая логика и теория алгоритмов» для специальности 220400 - Программное обеспечение ВТ и АС.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на XIV и XV Межвузовских военно-научных конференциях (г. Череповец, 2001, 2002г.г), на 35 ой Международной электронной научно-технической конференции «Управляющие и вычислительные системы. Новые технологии» ( г. Вологда, 2001), на Международной межвузовской научно-методической конференции «Образование Наука Бизнес, (г. Череповец, 2002), а также на научно-технических семинарах Череповецкого филиала СПбГТУ и Череповецкого научного координационного центра РАН в 2000-2002 гг.

Публикации. По материалам диссертации опубликовано 4 печатные работы.

В структурном отношении работа состоит из введения, четырех глав, заключения, списка литературы и приложений. ОСНОВНОЕ СОДЕРЖНИЕ РАБОТЫ

Во введении обоснована актуальность выбора темы диссертации, описаны методы исследований, приведена характеристика структуры диссертации.

Первая глава содержит анализ современных методов и систем, используемых при прогнозировании временных рядов, описывающих социально-экономические процессы. Даны общие характеристики и особенности исследуемых методов и систем. Рассматриваются наиболее распространенные системы прогнозирования с позиций введенных автором критериев. Ставится задача модификации автоматизированной системы прогнозирования временных рядов с целью увеличения скорости процесса автоматизированного прогнозирования до 8-10 раз и возможности коррекции значения построенного прогноза при возникновении одного фактора.

Вовторойглаве рассматриваются вопросы совершенствования алгоритма управления процессом прогнозирования. Рассматриваются возможные методы нахождения оптимального вектора параметров автоматизированной системы прогнозирования временных рядов. Приводится генетический алгоритм управления процессом прогнозирования. Решается задача декодирования генотипической информации. Решается задача оптимизации генетического алгоритма, вводятся критерии оптимальности генетического алгоритма. Приводится алгоритм определения вектора оптимальных параметров генетического алгоритма. Приводятся результаты экспериментальных исследований генетического алгоритма.

Третья глава посвящена решению задачи коррекции значения прогноза при частичном или полном отсутствии истории влияния одного фактора на развитие социально-экономического процесса, приводится способы лингвистического представления факторов. Рассматриваются основные операции взаимодействия факторов. Приводится алгоритм коррекции прогноза. Рассматриваются вопросы учета динамики влияния фактора по мере накопления истории. Приводится методика и результат эксперимента определения эффективности способа нечеткого логического вывода.

В четвертой главе рассматривается разработанное программное обеспечение, позволяющее оценить эффективность предложенных алгоритмов и методик. Приводятся результаты экспериментальных исследований и сравнение характеристик предложенного ПО по точностному и скоростному критериям. Рассматриваются перспективы развития разработанного ПО и систем в целом.

В приложении приведены:

1. Временные ряды основных макроэкономических показателей Вологодской области за 95-96 гг. и ОАО «Северсталь» за 1997-1998 г., используемые при проведении экспериментальных исследований управления процессом прогнозирования

2. Экспериментальная система поиска вектора оптимальных параметров генетического алгоритма.

3. Экспериментальная система выбора способа нечеткого логического вывода.

4. Программа, реализующая модифицированную технологию прогнозирования временных рядов.

На защиту выносятся:

1) Алгоритм управления технологией автоматизированного прогнозирования на основе эволюционного подхода, обеспечивший рост скорости процесса построения прогноза в 6,7 раза по сравнению с автоматизированной системой прогнозирования временных рядов.

2) Методика оптимизации генетического алгоритма управления технологией прогнозирования.

3) Метод коррекции значения прогноза на основе теории нечетких когнитивных схем, устойчиво работающий в случае возникновения нового фактора, существенно влияющего на развитие социально-экономического процесса.

Выводы по четвертой главе.

1. На базе предложенных в работе решений разработано программное обеспечение автоматизированной системы прогнозирования временных рядов, описывающих социально-экономические процессы .

2. Проведены экспериментальные исследования, которые показали, что по точности модифицированная система не отличается от исходной системы, в то время как по скорости разработанная система значительно ее превосходит.

3. Рассмотрены перспективы автоматизированных систем прогнозирования и предложены направления их дальнейшего развития.

Заключение

В диссертационной работе на основе полученных теоретических и практических результатов разработано алгоритмическое и программное обеспечение автоматизированной системы управления процессом прогнозирования временных рядов, описывающих социально-экономические процессы, отличающейся от существующих систем более высокой точностью прогноза и инвариантностью к квалификации пользователя. Наиболее существенные научные и практические результаты заключаются в следующем:

1) Разработана технология автоматизированного прогнозирования временных рядов, инвариантная к уровню квалификации пользователя и обеспечивающая эффективное прогнозирование для широкого спектра социально-экономических процессов.

2) Предложена процедура заполнения пропусков значений временного ряда, отличающаяся более высокой точностью при наличии пакетных пропусков и позволяющая осуществлять оперативное управление в процессе формирования прогнозируемого параметра.

3) Разработана методика, основанная на нейросетевых технологиях и обеспечивающая в автоматическом режиме выделение главных компонент, а также выбор моделей прогнозирования, максимально соответствующих каждой компоненте. Предложен алгоритм формирования окончательного прогноза на базе значений отдельных прогнозов, получаемых для каждой из главных компонент, основанный на использовании нейронной сети.

4) Поставлена задача оптимального управления, разработана методика оптимизации процесса управления системой прогнозирования временного ряда, использующая принцип динамического программирования.

5) Разработано программное обеспечение автоматизированной системы прогнозирования временных рядов, описывающих социально-экономические процессы.

6) Даны практические рекомендации по работе с предлагаемым программным комплексом.

7) Разработанная система использована при проведении научных исследований, проводимых Череповецким научным координационным центром РАН.

8) Результаты диссертации использованы в учебном процессе в Череповецком филиале Санкт-Петербургского государственного технического университета в курсе «Основы построения АСУ» для специальности 220400 - Программное обеспечение ВТ и АС.

1. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных. - М.: Финансы и статистика, 1983. - 469 с.

2. Айвазян С.А., Степанов B.C. Инструменты статистического анализа данных.// Мир ПК, 1997. №8. - с. 32-41.

3. Батищев Д.И. Генетические алгоритмы решения экстремальных задач. Воронеж, издательство ВГУ, 1995.

4. Бокша В.В., Силов В.Б. Нечеткое целевое управление системами с заданным конечным состоянием. Автоматика, N 3, 1985, с.3-8.

5. Борисов А.Н. и др. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982. - 256с.

6. Боровиков В.П., Боровиков И.П. Statistica. Статистический анализ и обработка данных в среде. М.: Филинъ, 1998. - 592 с

7. Векслер Л.С. Статистический анализ на персональном компьютере. // Мир ПК. 1992. - №2. - с. 89-97.

8. Вороновский В.Г. и др. Генетические алгоритмы, искусственные нейронные сети и проблема виртуальной реальности, X.: ОСНОВА, 1997,-112с.

9. Главные компоненты временных рядов: метод «Гусеница»./ под ред. Д.Л. Данилова и A.A. Жиглявского. СПб.: Санкт-Петербургский университет, 1997.-55 с.

10. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. - 276 с.

11. Гусев Л.А., Смирнова И.М. Размытые множества. Теория и приложения (обзор). Автоматика и телемеханика, N 5, 1973, с.66-85.

12. Джейн А.К., Мао Ж., Моиуддин K.M. Ввведение в искусственные нейронные сети.// Открытые системы. 1997. -№4. - с. 16-24.

13. Джексон П. Введение в экспертные системы. М.: Издательский дом «Вильяме», 2001 г. 624 с.

14. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. Пер. с франц. М.: Радио и связь, 1990, 288с

15. Дюк В.А., Мирошников А.И., Эволюция STATGRAPHICS.// Мир ПК. 1995. - №12. - с. 32-34.

16. Ежов А., Шумский С. Нейрокомпьютинг и его применение в экономике и бизнесе. М.: Мир, 1998. - 222 с.

17. Ерофеев A.A., Поляков А.О., Интеллектуальные системы управления., СПб.: Изд-во СПбГТУ, 1999 г., 264 с.

18. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М: Мир, 1976, 165с

19. Заенцов И.В. Нейронные сети: основные модели: Учебное пособие, Воронеж, издательство ВГУД999, 152 с.

20. Змитрович А.И. Интеллектуальные информационные системы. -Минск: ТетраСистемс, 1997. 367 с

21. Зуенков М.А. Приближение характеристических функций нечетких множеств. Автоматика и телемеханика, N 10, 1984, с.138-149.

22. Каллан Р. Основные концепции нейронных сетей. М.: Издательский дом «Вильяме», 2001 г. 287 с.

23. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: учебное пособие.-М.: Изд-во МГТУ им. Н.Э.Баумана, 2002.-320 с.

24. Кузнецов С.Е., Халилеев В.А. Обзор специализированных статистических пакетов по анализу временных рядов М.: СтатДиалог, 1993. - науч. отчет.

25. Куржанский А.Б. Управление и наблюдение в условиях неопределенности. М: Наука, 1977, 392с.

26. Куссуль Э.М. Ассоциативные нейроподобные структуры. -Киев: Наукова думка, 1990. 230 с.

27. Лесин В.В., Лисовец Ю.П. Основы методов оптимизации. М.: Изд-во МАИ, 1998. - 344 с.

28. Логовский A.C. Зарубежные нейропакеты: современное состояние и сравнительные характеристики.// Нейрокомпьютер, 1998. -№1,2. с. 13-27.

29. Лукашин Ю.П. Адаптивные методы прогнозирования. М.: Статистика, 1979. - 251 с.

30. Максимов В.И. Корноушенко Е.К., Качаев C.B. Когнитивный анализ и моделирование сложных ситуаций //«Банковские Технологии», №5-6 1999,с. 35-42

31. Максимов В. И., Корноушенко Е. К. Аналитические основы применения когнитивного подхода при решении слабоструктурированных задач.//Труды ИПУ, 1998. вып. 2

32. Материалы Международной конференции по мягким вычислениям и измерениям Куприянов М.С., Матвиенко Н.И. Интегрированная среда для исследования генетических алгоритмов dsk-gen.http://www.inftech.webservis.ru/it/conference/scm/1999/index.html

33. Никитин А.Ю. Малыгин Л.Л.,Обучающая экспертная система по методике прогнозирования временных рядов // XIV Межвузовская военно-научная конференция: Тезисы докладов и сообщений. Череповец, ЧВИИР. -2001. -С. 77-78.

34. Никитин А.Ю. Выбор параметров генетического алгоритма оптимизации процесса прогнозирования временных рядов.//XV Межвузовская военно-научная конференция: Тезисы докладов и сообщений. Череповец, ЧВИИР. -2002. -С. 67-68.

35. Норвич A.M., Турксен И.Б. Фундаментальное измерение нечеткости. В сб.: Нечеткие множества и теория возможностей. -М: Радио и связь, 1986, с.54-64.

36. Орлов А.И. Устойчивость в социально-экономических моделях. М: Наука, 1979

37. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М: Наука, 1981, 203с.

38. Осовский С., Нейронные сети для обработки информации -М.: Финансы и статистика, 2002. 344 с.

39. Пантелеев A.B. Методы оптимизации в примерах и задачах: Учебное пособие, М.: Высш. шк., 2002.-544 с.

40. Пивкин В.Я., Бакулин Е.П. Кореньков Д.И. Нечеткие множества в системах управления.// Fuzzy Technologies Lab, 1999.

41. Попов Р. Обзор методов принятия решений трейдером на основании статистических методов обработки информации.//Релпресс, 1997.

42. Прогностика. Терминология, вып. 92. М., Наука, 1978.-30с.

43. Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления: Дисс. канд.техн.наук. Харьков 1998-179 с.

44. Роберте Ф. Дискретные математические модели с приложениями к социальным, экономичеким и биологическим задачам. М: Наука, 1986

45. Саркисян С.А. Теория прогнозирования и принятия решений. -М.: Высшая школа, 1977. 489 с.

46. Синицын Е. Нейронные сети и финансы.// Банковские технологии, 1996. №1. - с. 19-22.

47. Трифонов А.Г. Постановка задачи оптимизации и численные методы ее решения, http://www.matlab.ru/optimiz/index.asp

48. Тэрано Т., Асаи К., Сугэно М. Прикладные нечеткие системы. -М.: Мир, 1993. 366 с.

49. Тюрин Ю.Н., Макаров А.А. Статистический анализ данных на компьютере. М.: Инфра-М, 1998. - 528 с

50. Фигурин А.Л. Разработка алгоритмических и программных средств автоматизированной системы прогнозирования временных рядов: Дис. . канд. техн. наук. Череповец,2000,- 155 с.

51. Химмельблау Д. Прикладное нелинейное программирование. М: Мир, 1975

52. Эволюционные вычисления и генетические алгоритмы. Составители Гудман Э.Д., Коваленко А.П. Обозрение прикладной и промышленной математики, том 3, вып. 5, Москва, ТВП, 1996, 760с

53. Ягер P.P. Множества уровня для оценки принадлежности нечетких подмножеств. В сб.: Нечеткие множества и теория возможностей. М: Радио и связь, 1986, с.71-78.

54. Bridges S. and R. Vaughn. 2000. Intrusion detection via fuzzy data mining. In proceedings of the 12 th annual Canadian information technology security symposium held in Ottawa, June, 2000, by Communications Security Establishment, 111 121

55. Chaib-Draa В., Desharnais J. A relation model of cognitive maps, Int.J. Human-Computer studies #49x1998, ppl81-200

56. Holland John H., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. University of Michigan , 1975.

57. Kosko, B. 1986. Fuzzy cognitive maps. International Journal of Man-Machine Studies. 1986 (24) : 65-75.

58. Kosko, B. 1992. Neural networks and fuzzy systems: A dynamical systems approach tomachine intelligence. Englewood Cliffs, NJ: Prentice Hall.

59. Lee, K. C. and H. S. Kim. 1998. A causal knowledge driven inference engine for expert system. In Proceedings of the annual Hawaii international conference on system sciences. 1998. 284- 293.

60. Lisi F., Nicolis O., Sandri M., Combining Singular-Spectrum Analysis and neural networks for time series forecasting.// http://ai.iit.org/jair/public

61. Luo, J. and S. M. Bridges 2000. , Mining fuzzy association rules and fuzzy frequency episodes for intrusion detection, International Journal of Intelligent Systems. 15(8): 687-703.