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.
Литература
[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.)
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
