Гибридная интеллектуальная информационная система прогнозирования «СГМ Горизонт» и ее применение в подготовке магистров

Аннотация

С развитием цифровых технологий во всех отраслях экономики активно внедряются современные методы анализа данных и математического моделирования для повышения эффективности деятельности. Для прогнозирования социально-экономических показателей применяются сложные математические модели, реализуемые в программных комплексах.
В статье представлена система гибридных моделей, лежащая в основе интеллектуальной информационной системы прогнозирования «СГМ Горизонт». Система моделей прогнозирования включает комплекс регрессионных моделей и расширяемую совокупность интеллектуальных моделей, включая искусственные нейронные сети, деревья решений и др. Регрессионные модели включают системы регрессионных уравнений, описывающих поведение прогнозных показателей развития российской экономики в системе национальных счетов. Функционирование системы уравнений определяется задаваемыми экспертно-сценарными условиями. Для показателей, прогнозы которых не удовлетворяют требованиям качества и точности, используются интеллектуальные модели на основе машинного обучения.
Средствами «СГМ Горизонт» проведены прогнозные расчеты для системы из 150 показателей социальной сферы РФ с применением гибридных моделей, для 20 показателей существенное повышение качества и точности прогноза было достигнуто применением моделей искусственных нейронных сетей и моделей регрессионных деревьев решений.
Построение моделей требует значительных временных затрат, эксперт должен проводить многочисленные машинные эксперименты с различными типами моделей, вручную задавать параметры конфигурации. В связи с этим дальнейшее развитие системы авторы видят в применении при выборе модели метода многокритериального ранжирования нечетких объектов, что позволит по заданным критериям выбирать альтернативные модели прогнозирования. Предложен алгоритм функционирования разрабатываемой системы.
Система прогнозирования «СГМ Горизонт» используется в учебном процессе подготовки магистров при проведении проектных и исследовательских работ.

Сведения об авторах

Olga Victorovna Kitova, Российский экономический университет имени Г. В. Плеханова

доктор экономических наук, доцент, заведующий кафедрой информатики

Victoria Mikhailovna Savinova, Российский экономический университет имени Г. В. Плеханова

старший преподаватель кафедры информатики

Lyudmila Pavlovna Dyakonova, Российский экономический университет имени Г. В. Плеханова

кандидат физико-математических наук, доцент, доцент кафедры информатики

Литература

[1] Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Second Edition. Springer-Verlag New York, 2009. (In Eng.) DOI: 10.1007/978-0-387-84858-7
[2] Kauffman R.J., Kim K., Lee S-Y.T., Hoang A-P., Ren J. Combining machine-based and econometrics methods for policy analytics insights. Electronic Commerce Research and Aplications. 2017; 25:115-114. (In Eng.) DOI: 10.1016/j.elerap.2017.04.004
[3] Dulkeyt E.I. Forecesting Using Neural Nets. Prikladnaya matematika i fundamental'naya informatika = Applied mathematics and fundamental Informatics. 2015; (2):118-126. Available at: https://elibrary.ru/item.asp?id=24843177& (accessed 14.08.2019). (In Russ., abstract in Eng.)
[4] Ivanets D.V., Atink D.K. Prediction Using Neural Networks. Prikladnaya matematika i fundamental'naya informatika = Applied mathematics and fundamental Informatics. Available at: 2015; (2):126-131. https://elibrary.ru/item.asp?id=24843178 (accessed 14.08.2019). (In Russ., abstract in Eng.)
[5] Kolesenkov A.N., Konkin Y.V. Modeling of neural networks for time series prediction. Dynamics of Complex Systems – XXI century. 2015; 9(3):10-13. Available at: https://elibrary.ru/item.asp?id=24373819 (accessed 14.08.2019). (In Russ., abstract in Eng.)
[6] Laletina A.I. Forecasting financial markets using artificial neural networks. In: Electronic Tools and Control Systems. Proceedings. 2015; (1-2):214-217. Available at: https://elibrary.ru/item.asp?id=25094785 (accessed 14.08.2019). (In Russ., abstract in Eng.)
[7] Lesik A. I. Forecasting Stock Price Growth Using Feedforward Neural Networks. Software & Systems. 2015; (2):70-74. (In Russ., abstract in Eng.) DOI: 10.15827/0236-235X.110.070-074
[8] Medeiros M.C., Pedreira C.E. What Are The Effects of Forecasting Linear Time Series with Neural Networks? International journal of engineering intelligent systems for electrical engineering and communications. 2001; 9:237-424. (In Eng.)
[9] Sarajeva K.V., Lezina V.I. Forecasting oil prices with neural network of volterra. In: Proceedings of the International youth scientific conference “XIV Korolev readings”, vol. 2, SSAU, Samara, 2015, p. 104. Available at: https://elibrary.ru/item.asp?id=24806087 (accessed 14.08.2019). (In Russ.)
[10] Zhang G.P. An investigation of neural networks for linear time-series forecasting. Computers & Operations Research. 2001; 28(12):1183-1202. (In Eng.) DOI: 10.1016/S0305-0548(00)00033-2
[11] Simankov V.S., Buchatskaya V.V. Choice of methods of forecasting in researches of complicated systems. Bulletin Adyghe State University. Series 4: Natural-mathematical and Technical Sciences. 2012; (2):118-123. Available at: https://elibrary.ru/item.asp?id=18055837 (accessed 14.08.2019). (In Russ., abstract in Eng.)
[12] Kong W., Dong Z.Y., Hill D.J., Luo F., Xu Y. Short-Term Residential Load Forecasting Based on Resident Behaviour Learning. IEEE Transactions on Power Systems. 2018; 33(1):1087-1088. (In Eng.) DOI: 10.1109/TPWRS.2017.2688178
[13] Miao K., Chen F., Zhao Z.G. Stock Price Forecast Based on Bacterial Colony RBF Neural Network. Journal of Qingdao University. 2007; 20:50-54. Available at: http://en.cnki.com.cn/Article_en/CJFDTOTAL-QDDD200702011.htm (accessed 14.08.2019). (In Eng.)
[14] Wang S., Wu L. An Improved PSO for Bankruptcy Prediction. Adv. Comput. Math. Appl. 2012; 1:1-6. (In Eng.)
[15] Demidova L.A., Pylkin A.N., Skvortsov S.V., Skvortsova T.S. Gibridnye modeli prognozirovaniya korotkih vremennyh ryadov [Hybrid models for predicting short time series]. Goryachaya liniya-Telekom, Moscow, 2015. (In Russ.)
[16] Bisoi R., Dash P.K. Prediction of financial time series and its volatility using a hybrid dynamic neural network trained by sliding mode algorithm and differential evolution. International Journal of Information and Decision Sciences. 2015; 7(2):166-191. (In Eng.) DOI: 10.1504/IJIDS.2015.068757
[17] Kavousi-Fard A., Samet H., Marzbani F. A new hybrid Modified Firefly Algorithm and Support Vector Regression model for accurate Short Term Load Forecasting. Expert Systems with Applications. 2014; 41(13):6047-6056. (in Eng.) DOI: 10.1016/j.eswa.2014.03.053
[18] Nguyen N., Cripps A. Predicting Housing Value: A Comparison of Multiple Regression Analysis and Artificial Neural Networks. Journal of Real Estate Research. 2001; 22(3):313-336. (In Eng.) DOI: 10.5555/rees.22.3.r47443706m17v575
[19] Papageorgiou E.I., Poczęta K. A two-stage model for time series prediction based on fuzzy cognitive maps and neural networks. Neurocomputing. 2017; 232:113-121. (In Eng.) DOI: 10.1016/j.neucom.2016.10.072
[20] Singh P. Big Data Time Series Forecasting Model: A Fuzzy-Neuro Hybridize Approach. In: Acharjya D., Dehuri S., Sanyal S. (Eds.) Computational Intelligence for Big Data Analysis. Adaptation, Learning, and Optimization, vol. 19. Springer, Cham, 2015, pp. 55-72. (In Eng.) DOI: 10.1007/978-3-319-16598-1_2
[21] Wang J.S., Ning C.X. ANFIS Based Time Series Prediction Method of Bank Cash Flow Optimized by Adaptive Population Activity PSO Algorithm.
[22] Klein L.R., Goldberger A.S. An Econometric Model of the United States, 1929-1952. North-Holland Publishing Company, 1955. (In Eng.)
[23] Kitova O.V., Kolmakov I.B., Dyakonova L.P., Grishina O.A., Danko T.P., Sekerin V.D. Hybrid intelligent system of forecasting of the socio-economic development of the country. International Journal of Applied Business and Economic Research. 2016; 14(9):5755-5766. Available at: https://elibrary.ru/item.asp?id=27579330 (accessed 14.08.2019). (In Eng.)
[24] Kitova O.V., Kolmakov I.B., Sharafutdinova A.R. Analysis of accuracy and quality of short-term forecast indicators of socio-economic development of Russia. Vestnik of the Plekhanov Russian University of Economics. 2013. № 9. С. 111-119. Available at: https://elibrary.ru/item.asp?id=20308724 (accessed 14.08.2019). (In Russ.)
[25] Kolmakov I.B., Domozhakov M.V. Forecasting Methodology of Scientific Investigations and Innovations Sphere’s Indicators by Means of Neural Networks. Management Science. 2017; 7(1):53-62. Available at: https://elibrary.ru/item.asp?id=29005826 (accessed 14.08.2019). (In Russ., abstract in Eng.)
[26] Kitova O., Savinova V., Dyakonova L., Kitov V. Development of hybrid models and a system for forecasting the indicators of the Russian economy. Espacios. 2019; 40(10):18. (In Eng.)
[27] Averkin A.N., Titova N.V., Agrafonova T.V. Synthesis of Distributed Fuzzy Hierarchical Model in Decision Support Systems in Fuzzy Environment. In: Štěpnička M., Novák V., Bodenhofer U. (Eds.) New Dimensions in Fuzzy Logic and Related Technologies. Proceedings of the 5th EUSFLAT 2007 Conference 2007. Ostrava, Czech Republic, September 11-14, 2007, vol. 1, Universitas Ostraviensis, 2007, pp. 377-379. Available at: https://www.eusflat.org/materials/proceeding-eusflat-2007-I.pdf (accessed 14.08.2019). (In Eng.)
Опубликована
2019-12-23
Как цитировать
KITOVA, Olga Victorovna; SAVINOVA, Victoria Mikhailovna; DYAKONOVA, Lyudmila Pavlovna. Гибридная интеллектуальная информационная система прогнозирования «СГМ Горизонт» и ее применение в подготовке магистров. Международный научный журнал «Современные информационные технологии и ИТ-образование», [S.l.], v. 15, n. 4, p. 862-870, dec. 2019. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/598>. Дата доступа: 05 june 2020 doi: https://doi.org/10.25559/SITITO.15.201904.862-870.
Раздел
Научное программное обеспечение в образовании и науке