Аспирант кафедры автоматизированных систем обработки информации и управления,
Казань
Postgraduate of the Department of automated information processing and management systems,
Kazan
К.т.н., доцент кафедры автоматизированных систем обработки информации и управления,
Казань
Cand. Sci. (Eng.), Associate professor, The Department of automated information processing and management systems,
Kazan
Цель исследования – выявить перспективы применения нейросетевого подхода применительно к задачам экономического прогнозирования транспортно-логистических показателей, в частности объемов грузовых перевозок в транспортной системе разноструктурных региональных грузопотоков, а также обосновать эффективность применения искусственных нейронных сетей (ИНС) в сравнении с эффективностью традиционных экстраполятивных методов прогнозирования. Возможность прогноза с использованием ИНС для данных экономических показателей рассматривается авторами не как альтернатива традиционным методам статистического прогнозирования, а как одно из доступных простых средств для решения сложных задач.
Материалы и методы. При прогнозировании ИНС использовались три метода обучения: 1) алгоритм Левенберга-Марквардта – обучение сети останавливается, когда обобщение перестает улучшается, что показывает увеличение средней квадратичной ошибки выходного значения; 2) метод регуляризации Байеса – обучение сети останавливается в соответствии с минимизацией адаптивных весовых коэффициентов; 3) метод масштабированных сопряженных градиентов, который используется для нахождения локального экстремума функции на основе информации о её значениях и градиенте. При прогнозировании использован пакет Neural Network Toolbox – нейросетевая модель состоит из скрытого слоя нейронов с сигмоидальной функцией активации и выходного нейрона с линейной функцией активации, на вход подаются значения временных динамических рядов, с выхода снимается прогнозируемое значение. Для более объективной оценки эффективности и перспектив применения ИНС результаты прогноза представлены в сравнении с результатами, полученными при прогнозировании методом экспоненциального сглаживания.
Результаты. При прогнозировании объемов грузовых перевозок железнодорожным транспортом получены удовлетворительные показатели верификации прогнозирования как методом экспоненциального сглаживания, так и ИНС, хотя нейронная сеть показала лучший результат (средняя относительная ошибка прогноза – 8,97% для ИНС и 11,21% для МЭС соответственно). Это объясняется тем, что временной динамический ряд значений объемов грузоперевозок данным видом транспорта, за исследуемый отчетный период, имеет пусть и нелинейный, но равномерно меняющийся характер. В случае прогнозирования объемов грузоперевозок автомобильным транспортом временной динамический ряд исходных значений за отчетный период имеет одновременно и нелинейный, и неравномерный меняющийся характер. Этим объясняется большие значения ошибок прогнозирования методом экспоненциального сглаживания (средняя относительная ошибка прогноза 47,47% для МЭС); ошибка прогноза с применением ИНС составила – 13,97%, следовательно результаты прогнозирования, полученные методом экспоненциального сглаживания, признаем неудовлетворительными, а для ИНС – удовлетворительными.
Заключение. Результаты исследования подтверждают целесообразность применения обучаемых искусственных нейронных сетей при прогнозировании объемов грузовых перевозок с разноструктурными грузопотоками, исходные статистические данные которых имеют неравномерный нелинейно меняющийся характер во временном динамическом ряду. Достаточно высокая верификация при применении ИНС для сложнопрогнозируемых показателей транспортного процесса подтверждает практическое значения применения данного метода при моделировании транспортно-логистической сети.
The purpose of research – to identify the prospects for the use of neural network approach in relation to the tasks of economic forecasting of logistics performance, in particular of volume freight traffic in the transport system promiscuous regional freight traffic, as well as to substantiate the effectiveness of the use of artificial neural networks (ANN), as compared with the efficiency of traditional extrapolative methods of forecasting. The authors consider the possibility of forecasting to use ANN for these economic indicators not as an alternative to the traditional methods of statistical forecasting, but as one of the available simple means for solving complex problems.
Materials and methods. When predicting the ANN, three methods of learning were used: 1) the Levenberg-Marquardt algorithm-network training stops when the generalization ceases to improve, which is shown by the increase in the mean square error of the output value; 2) Bayes regularization method - network training is stopped in accordance with the minimization of adaptive weights; 3) the method of scaled conjugate gradients, which is used to find the local extremum of a function on the basis of information about its values and gradient. The Neural Network Toolbox package is used for forecasting. The neural network model consists of a hidden layer of neurons with a sigmoidal activation function and an output neuron with a linear activation function, the input values of the dynamic time series, and the predicted value is removed from the output. For a more objective assessment of the prospects of the ANN application, the results of the forecast are presented in comparison with the results obtained in predicting the method of exponential smoothing.
Results. When predicting the volumes of freight transportation by rail, satisfactory indicators of the verification of forecasting by both the method of exponential smoothing and ANN had been obtained, although the neural network showed the best result (the average relative forecast error was 8.97% for ANN and 11.21% for the method of exponential smoothing, respectively). This can explained by the fact that the temporal dynamic range of the values of the volumes of cargo transportation by this type of transport, for the period under review, has a nonlinear but uniformly changing character. In the case of forecasting the volumes of cargo transportation by road, the time series of initial values for the reporting period is simultaneously non-linear and unevenly changing. This explains the large values of forecasting errors by the method of exponential smoothing (the average relative forecast error of 47.47% for methods of exponential smoothing ); the forecast error with ANN was 13.97%, therefore the results of the prediction obtained by the method of exponential smoothing are considered unsatisfactory, and for ANN – satisfactory.
The conclusion. The results of the study confirm the feasibility of using trained artificial neural networks in forecasting the volumes of freight traffic with different cargo flows that have the initial statistical data of which have an uneven nonlinearly changing character in the time dynamic series. A sufficiently high verification in the application of ANN for difficult-to-forecast indicators of the transport process confirms the practical significance of the application of this method in the modeling of the logistics network.
The authors declare that there are no conflicts of interest present.