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.