Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала


Аннотация

В статье рассмотрены перспективы применения обучаемых искусственных нейронных сетей (ИНС) для статистического прогнозирования объемов грузовых перевозок в транспортной системе разноструктурных региональных грузопотоков. Для более объективной оценки перспектив применения ИНС результаты прогноза представлены в сравнении с результатами, полученными при прогнозировании методом экспоненциального сглаживания. При прогнозировании ИНС использовались три метода обучения: алгоритм Левенберга-Марквардта – обучение сети останавливается, когда обобщение перестает улучшается, что показывает увеличение средней квадратичной ошибки выходного значения; метод регуляризации Байеса – обучение сети останавливается в соответствии с минимизацией адаптивных весовых коэффициентов и 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. Полученные результаты подтверждают целесообразность применения обучаемых искусственных нейронных сетей в случае сложнопрогнозируемых показателей грузоперевозок, имеющих неравномерный нелинейно меняющийся характер во временном динамическом ряду.

Об авторах

Динар Тагазимович Якупов
Казанский национальный исследовательский технический университет им. А.Н. Туполева - КАИ
Россия
аспирант, кафедра автоматизированных систем обработки информации и управления


Оксана Николаевна Рожко
Казанский национальный исследовательский технический университет им. А.Н. Туполева - КАИ
Россия
кандидат технических наук, доцент


Список литературы

1. Осовский, С. Нейронные сети для обработки информации. Пер. с польского И.Д. Ру-динского. – М.: Финансы и статистика, 2004. – 344 с.

2. Koskela T. Neural network methods in analyzing and modelling time varying processes [Electronic resource] – Espoo, 2003. – pp. 1–72. – URL: http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.77.5993 (paid access to article).

3. Тадеусевич Р., Боровик Б., Гончаж Т., Леппер Б. Элементарное введение в техноло-гию нейронных сетей с примерами программ. Пер. с польск. И.Д. Рудинского. – М.: Горячая линия – Телеком, 2011. – 408 с.

4. Федоров Е.Е. Искусственные нейронные сети. – Красноармейск: ДВНЗ «ДонНТУ», 2016. – 338 с.

5. Меркулова Ю.В. Ситуационно-стратегическое планирование в экономике: моногра-фия в 2-х томах. – Т. 2. Моделирование оптимальных стратегий и программ– М.: Экономика, 2015. – 464 с.

6. Владимирова Л.П. Прогнозирование и планирование в условиях рынка. – М.: Даш-ков и К, 2012. –308 с.

7. Pamula T. Neural networks in transportation research – recent applications [Electronic re-source]// Transport problems Vol. 11, Issue 2, pp. 27–36. – 2016. – URL: http://transportproblems.polsl.pl/pl/Archiwum/2016/zeszyt2/2016t11z2_03.pdf.

8. Gosasang V., Chandraprakaikul W., Kiattisin S. An Application of Neural Networks for Forecasting Container Throughput at Bangkok Port [Electronic resource] //Proceedings of the World Congress on Engineering. Vol 1, WCE 2010, June 30 - July 2, 2010, London, U.K. – URL: http://www.iaeng.org/publication/WCE2010/WCE2010_pp137-141.pdf

9. Schmidhuber, J. Deep learning in neural networks: An overview. [Electronic resource] // Neural Networks. Vol. 61, pp. 85–117. – 2015. – URL: http://www.sciencedirect.com/science/article/pii/S0893608014002135 (paid access to article).

10. Wasserman P. D. Advanced methods in neural computing. – New York: Van Nostran Reinhold, 1993. – 240 p.

11. Костина Л.Н., Гареева Г.А. Нейронные сети в задачах прогнозирования временных рядов // Международный журнал «Инновационная наука». – 6. – 2015. – С. 70-73.


Дополнительные файлы

Для цитирования: Якупов Д.Т., Рожко О.Н. Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала. Статистика и Экономика. 2017;(5).

For citation: ., . . Statistics and Economics. 2017;(5).

Просмотров: 129

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2500-3925 (Print)