Прогнозирование трендов экономических показателей многоотраслевой корпорации

Размещено на http://www.allbest.ru/

Данная статья является продолжением статьи [1]. Рассмотрим в ней последующие этапы АСК-анализа: 3) синтез и верификация (оценка степени адекватности) модели; 4) решение задачи прогнозирования значений экономических показателей многоотраслевой корпорации, рассмотрению которых посвящена работа. тренд корпорация верификация детерминация

Синтез и верификация (оценка степени адекватности) модели.

Данный этап автоматизированного системно-когнитивного анализа предметной области в системе «Эйдос» может быть выполнен, в частности, с помощью режима _25, который обеспечивает [2, 3, 4]:

- синтез четырех моделей баз знаний, отличающихся видом частного критерия для количественной меры знаний;

- оценку достоверности каждой модели знаний с помощью двух интегральных критериев: суммы знаний и корреляции конкретного образа объекта исследуемой выборки с обобщенным образом класса в базе знаний.

В результате работы данного режима формируется 4 базы знаний, а также оценка их достоверности, установленная путем прогнозирования трендов значений показателей многоотраслевой корпорации по ретроспективным данным, т.е. по исходной выборке.

Приведены коды классов, соответствующих будущим значениями трендов показателей многоотраслевой корпорации а в строках - коды значений факторов обусловливающих эти тренды показателей.

Наивысшую среднюю достоверность прогнозирования (87,784%) в данном случае обеспечивает модель знаний с применением в качестве частного критерия количества знаний классического критерия А.Харкевича и с интегральным критерием - сверткой. Несущественно: примерно на 1%, меньше достоверность у модели знаний с классическим критерием А.Харкевича и с интегральным критерием - нормированной сверткой, т.е. корреляцией. Эта достоверность вполне достаточна для достижения цели данной работы: создания методики оперативного (на полгода вперед) прогнозирования трендов значений экономических показателей многоотраслевой корпорации.

Решение задачи краткосрочного прогнозирования трендов значений экономических показателей многоотраслевой корпорации.

Данная задача решается на основе ранее созданных моделей знаний, отражающих причинно-следственные зависимости между трендами значений прошлых экономических показателей предприятий, входящих в корпорацию и трендами значений будущих экономических показателей корпорации в целом. Эти причинно-следственные зависимости в количественной форме представлены в базах знаний.

Способ решения задачи прогнозирования состоит в сравнении конкретных образов ситуаций с обобщенными образами классов путем вычисления интегрального критерия сходства конкретной ситуации с каждым из классов. Математически задача прогнозирования в СК-анализе решается следующим образом [2, 3, 4]. На этапе синтеза модели рассчитывается какое количество знаний содержится в факте наблюдения некоторого значения фактора о том, что нам предъявлено определенное состояние моделируемого объекта. Если известно, какой набор значений факторов действует на объект управления, то для каждого состояния объекта можно посчитать, какое суммарное количество знаний содержится во всей системе этих значений факторов о переходе объекта управления в это состояние. После этого можно ранжировать (рассортировать) все состояния объекта управления в порядке убывания суммарного количества знаний о переходе в эти состояния под действием данной системы значений факторов. Логично считать, что объект управления, скорее всего, перейдет в те состояния, о переходе в которые в системе действующих на него значений факторов содержится максимальное количество знаний и, скорее всего не перейдет в те, о переходе в которые в ней содержится минимум знаний.

Отметим, что задачи распознавания (идентификации) и прогнозирования математически тождественны и отличаются только тем, что при идентификации признаки объекта и его состояния одновременны, а при прогнозировании действующие значения факторов (признаки) относятся к прошлому, а состояния объекта, формализуемые в виде классов, к будущему.

Решение задачи прогнозирования выполняется за три шага:

1. Ввод информации о значениях действующих на объект факторов в систему "Эйдос".

2. Пакетное распознавание (прогнозирование).

3. Вывод (отображение) и содержательная интерпретация результатов распознавания (прогнозирования).

На карточке результатов прогнозирования:

- в верхней части карточки показаны классы, о которых в системе действующих в прошлом значений факторов содержится положительное количество знаний в порядке убывания этого количества знаний, а в нижней - отрицательное;

- птичками отмечены состояния корпорации, по которым прогноз оправдался.

Таким образом, в статье описывается процедура синтеза четырех моделей корпорации, отличающихся частными критериями взаимосвязи между трендами прошлых показателей предприятий, входящих в корпорацию и будущими состояниями корпорации в целом, производится верификация всех частных моделей с использованием двух интегральных критериев, осуществляется прогнозирование будущих состояний корпорации по их системе детерминации

В качестве перспективы планируется создать систему визуализации результатов прогнозирования с отображением как точечных прогнозов, представленных в карточках прогнозирования так и средневзвешенного прогноза, формируемого на основе точечных с учетом количества знаний в каждом из них. Кроме того, планируется разработать методику оперативного прогнозирования сценариев изменения как значений экономических показателей многоотраслевой корпорации, так и их трендов.

По результатам работы можно сделать обоснованный вывод о том, что поставленная цель работы достигнута и сформулированная проблема решена.

Литература

1. Оперативное прогнозирование трендов экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта (часть 1-я: постановка задачи и формализация предметной области) / Е.В. Луценко, В.И. Лойко, О.А. Макаревич // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №09(73). - Режим доступа: http://ej.kubagro.ru/2011/09/pdf/43.pdf, 0,75 у.п.л.

2. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

3. Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №06(70). С. 233 - 280. - Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

4. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (Кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(71).- Режим доступа: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 2,94 у.п.л.

5. Луценко Е.В. Метод визуализации когнитивных функций - новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №03(67). С. 240 - 282. - Шифр Информрегистра: 0421100012\0077. - Режим доступа: http://ej.kubagro.ru/2011/03/pdf/18.pdf, 2,688 у.п.л.

Размещено на Allbest.ru