Перспективы применения искусственных нейронных сетей для прогнозирования объемов грузоперевозок в транспортных системах

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. 

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

2. Koskela T. Neural network methods in analyzing and modelling time varying processes 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 технологию 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: монография 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.: Дашков и К, 2012. 308 с.

7. Pamula T. Neural networks in transportation research recent applications // 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 // Proceedings of the World Congress on En-gineering. 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 // Neural Networks. Vol. 61. P. 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.

12. Jiang C. and Song F. Sunspot Forecasting by Using Chaotic Time-series Analysis and NARX Network // JCP. 2011. 6(7). P. 1424–1429. URL: http://journaldatabase.info/articles/sunspot_ forecasting_by_using_chaotic.html (paid article).

13. Zhang X. and Frey R. Improving ARMAGARCH forecasts for high frequency data with regime-switching ARMA-GARCH // Journal of Computational Analysis & Applications. 2015. 18(1). URL: https://www.researchgate.net/ publication/228142366

14. Kambouroudis D.S., McMillan D.G. and Tsakou K. Forecasting Stock Return Volatility: A Comparison of GARCH, Implied Volatility, and Realized Volatility Models // Journal of Futures Markets. 2016. 36(12). P. 1127–1163. URL: https://cronfa.swan.ac.uk/Record/cronfa34904 DOI: 10.1002/fut.21783

15. Домащенко Д.В., Никулин Э.Е. Прогнозирование рядов динамики рыночных индикаторов на основе нелинейной авторегрессионной нейронной сети // Статистика и Экономика. 2017. 3. С. 4-9. DOI: 10.21686/2500-3925-2017-3-4-9

16. Грачев А.В. Киселева Т.В., Добрынин А.С., Койнов Р.С. О методе выбора промежуточных узлов передачи данных для маршрутизации в иерархических сетях разной топологии // Экономика, статистика и информатика. 2014. № 5. С. 161–164 URL: https://cyberleninka.ru/ article/n/o-metode-vybora-promezhutochnyhuzlov-peredachi-dannyh-dlya-marshrutizatsii-vierarhicheskih-setyah-raznoy-topologii-1

17. Брагина Е.И., Декатов Д.Е., Егорова И.Е. Разработка методологии поддержки принятия решений в стратегическом управлении предприятием в условиях неопределённости // Интернет-вестник ВолгГАСУ. Серия «Строительная информатика». 2013. № 9 (26). C. 1–5. URL: http://vestnik.vgasu.ru/attachments/DekatovEgorov aBragina1-2013_9(26).pdf

18. Комлева Н.В., Хлопкова О.А. Обработка контента в информационных средах на основе нейронечеткой модели принятия решений // Статистика и Экономика. 2013. № 5. С. 188–192. URL: DOI: 10.21686/2500-3925-2013-5-188-192

19. Gunasekaran, M. and Ramaswami, K.S. A Fusion Model Integrating ANFIS and Artificial Immune Algorithm for Forecasting Indian Stock Market (June 22, 2011) // Journal of Applied Sciences, 11(16): pp. 3028-3033. URL: https:// papers.ssrn.com/sol3/papers.cfm?abstract_ id=2335390

20. Аль-Бареда Али Яхья Сенан, Пупков К.А. Алгоритм решения задачи синтеза управления методом искусственных нейронных сетей // Вестник РУДН, серия Инженерные исследования. 2016. № 2. С. 7–16. URL: https://cyberleninka. ru/article/n/algoritm-resheniya-zadachi-sintezaupravleniya-metodom-iskusstvennyh-neyronnyhsetey

21. Аль-Бареда А.Я.С., Пупков К.А. Решение задачи синтеза системы управления методом искусственных нейронных сетей // Фундаментальные исследования. 2015. № 11 (Ч. 5). С. 853—857. URL: https://fundamental-research. ru/ru/article/view?id=39521

22. Long T.B., Thai L.H., Hanh T. Face Recognition Using Circularly Orthogonal Moments and Radial Basis Function Neural Network & Genetic Algorithm // 2012 7th IEEE Conference on Industrial Electronics and Applications (ICIEA). P. 523—527. URL: http://conference.researchbib. com/view/event/

23. Huang Jeng-Tze, Tseng Ming-Lei. Global Adaptive Neural Tracking Control of StrictFeedback Systems with Bounded Uncertainty // 2012 7th IEEE Conference on Industrial Electronics and Applications(ICIEA). P. 175—180. URL: http://conference.researchbib.com/view/event/

24. Дивеев А.И., Шмалько Е.Ю. Вариационный генетический алгоритм для решения задачи оптимального управления // Современные проблемы науки и образования. 2014. № 1. URL: http://www.science-education.ru/115-11474

25. Аверкин А.Н. Гибридные модулярные нейронные сети // Статистика и Экономика. № 4. 2016. С. 8–11. DOI:10.21686/2500-3925-2016-4-8-11