Главная Коллекция "Otherreferats" Программирование, компьютеры и кибернетика Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта

Оперативное прогнозирование значений экономических показателей многоотраслевой корпорации с применением технологий искусственного интеллекта

Процедура синтеза моделей корпорации, отличающихся критериями взаимосвязи между прошлыми показателями предприятий, входящих в корпорацию и их будущими состояниями. Верификация моделей и прогнозирование будущих состояний корпорации по системе детерминации.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 28.04.2017
Размер файла 447,7 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Кубанский государственный аграрный университет

ОПЕРАТИВНОЕ ПРОГНОЗИРОВАНИЕ ЗНАЧЕНИЙ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ МНОГООТРАСЛЕВОЙ КОРПОРАЦИИ С ПРИМЕНЕНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

(часть 2-я: синтез и верификация модели)

Луценко Евгений Вениаминович, д.э.н., к.т.н., профессор

Лойко Валерий Иванович, д.т.н., профессор

Макаревич Олег Александрович, к.э.н., доцент

Макаревич Лилия Олеговна, соискатель

г. Краснодар, Россия

Аннотация

В статье описывается процедура синтеза четырех моделей корпорации, отличающихся частыми критериями взаимосвязи между прошлыми показателями 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

Ключевые слова: системный подход, системно-когнитивный анализ, многоотраслевая корпорация, прогнозирование, семантическая информационная модель

In this article, the routine of synthesis of four models of the corporation, different by frequent measure of correlation between past indexes of the factories entering into corporation and the future statuses of corporation as a whole is featured, verification of all private models with utilization of two integral measure is fabricated, forecasting of the future statuses of corporation on their system of determination is performed

Keywords: systemic approach, systemic-cognitive analysis, systems approach, diversified corporation, forecasting, semantic information model

Данная статья является продолжением статьи [8]. 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 [8].

3. 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 [5, 6]:

- 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, приведенные в таблицах 9, 10, 11 и 12, а также оценку их достоверности, установленную путем прогнозирования значений показателей многоотраслевой корпорации по ретроспективным данным, т.е. по исходной выборке (таблица 13).

Таблица 9 - База знаний, мера знаний - классический частный критерий А.А. Харкевича-Е.В. Луценко (миллибиты, фрагмент)

KOD

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

1

579

625

428

498

2

44

588

-265

-106

677

-51

306

143

212

3

91

555

-46

572

19

626

235

4

105

484

268

-18

441

376

-160

429

572

5

-60

210

637

-183

276

548

155

210

887

6

579

625

428

498

7

102

537

-208

-49

625

6

288

200

269

8

340

466

-135

91

483

-70

-443

538

147

9

248

429

213

125

386

321

-215

463

518

10

301

727

366

638

-92

300

977

11

543

-410

550

-321

-603

392

-409

462

12

645

326

625

343

91

538

-177

13

21

628

-103

553

94

92

572

14

30

301

530

-93

366

441

245

834

15

238

171

597

114

236

508

312

170

847

16

543

-410

550

16

428

498

17

645

326

485

451

-49

646

-514

18

-68

539

94

-191

465

342

3

484

202

19

545

141

371

422

206

281

620

478

20

-136

331

561

-259

397

471

79

471

811

21

-95

200

129

62

-49

343

127

-246

538

7

-177

22

455

-33

-278

450

56

-564

-367

351

-369

-171

374

23

-95

397

129

-275

-49

485

6

-210

199

200

62

160

24

201

331

363

78

397

274

-65

276

134

614

25

230

360

392

107

228

500

553

163

305

26

357

188

-329

-733

365

276

-255

-667

337

-594

-254

346

27

-195

409

202

-103

394

70

145

589

147

4

28

736

802

681

29

424

654

489

564

369

761

30

-60

210

637

-183

276

548

-182

547

887

31

434

-181

-252

-656

442

105

-375

-590

353

-177

389

32

382

311

104

133

385

-27

-290

-401

580

49

-669

33

399

629

465

539

344

736

34

424

654

489

564

369

761

35

-60

210

637

-183

276

548

-182

547

887

36

540

-374

586

-285

428

498

37

-630

448

377

-472

428

418

-407

-106

538

-190

-374

38

129

399

292

6

127

539

541

399

39

-100

508

400

-223

573

311

452

507

313

40

219

785

284

696

555

1035

41

420

251

428

340

-726

400

-531

409

42

-270

531

267

483

192

-267

514

409

43

412

641

477

552

19

945

44

30

301

530

-93

366

441

245

300

780

45

966

877

1216

46

466

629

343

539

344

879

47

966

877

1216

48

307

125

54

353

16

71

264

125

-603

283

49

-42

5

-65

116

-100

-104

94

-49

73

8

-29

6

61

204

-34

50

675

371

741

281

423

478

621

В столбцах таблиц 9-12 приведены коды классов, соответствующих будущим значениями показателей многоотраслевой корпорации (таблица 5), а в строках - коды значений факторов (значений показателей предприятий, таблица 6), обусловливающих эти показатели. В таблицах 9-12 приводятся лишь фрагменты баз знаний, т.к. их размерность составляет 50 столбцов на 1650 строк. корпорация проектирование верификация детерминация

Таблица 10 - База знаний, мера знаний - модифицированный частный критерий А.А. Харкевича-Е.В. Луценко (фрагмент)

KOD

1

2

3

4

5

6

7

8

9

10

11

12

13

14

1

1559

1674

1172

2

-26

1826

-718

-496

2089

-81

809

504

3

352

1715

-63

1767

130

1937

767

4

382

1511

867

19

1382

1189

-396

1341

1774

5

-109

699

1962

-471

891

1699

529

699

6

1559

1674

1172

7

144

1674

-548

-326

1937

89

757

674

8

1089

1452

-326

352

1504

-133

-1413

1674

504

9

804

1349

705

442

1219

1027

-558

1442

1612

10

966

2230

1159

1966

-203

966

11

1452

-1133

1452

-870

-1718

1065

-1133

12

1996

1037

1937

1089

172

1674

13

130

1937

-233

1715

352

352

1767

14

159

966

1645

-203

1159

1382

797

2551

15

774

581

1844

411

774

1581

996

581

16

1452

-1133

1452

130

1172

17

1996

1037

1522

1411

-243

1996

18

-133

1674

352

-496

1452

1089

89

1504

674

19

1686

494

1172

1324

686

909

1909

1494

20

-335

1058

1736

-697

1250

1473

303

1473

21

-441

674

452

259

-326

1089

452

-828

1674

89

22

1191

-15

-752

1155

248

-1600

-1015

942

-1015

-430

23

-441

1259

452

-741

-326

1522

89

-548

494

674

259

24

665

1058

1151

303

1250

888

-112

888

473

25

751

1144

1237

389

751

1559

1711

559

26

902

639

-906

-2098

902

902

-683

-1906

902

-1683

-683

27

-496

1282

674

-233

1241

282

504

1826

504

89

28

2259

2452

2089

29

1333

2011

1526

1748

1163

2333

30

-109

699

1962

-471

891

1699

-471

1699

31

1130

-455

-677

-1870

1130

393

-1040

-1677

949

-455

32

1215

992

385

478

1215

-8

-785

-1288

1800

215

33

1259

1937

1452

1674

1089

2259

34

1333

2011

1526

1748

1163

2333

35

-109

699

1962

-471

891

1699

-471

1699

36

1443

-1026

1559

-763

1172

37

-2026

1411

1189

-1326

1352

1312

-1133

-413

1674

-496

38

452

1259

937

89

452

1674

1674

1259

39

-226

1581

1259

-589

1774

996

1411

1581

40

723

2401

916

2138

1723

41

1089

826

1089

1089

-2081

1089

-1496

42

-718

1645

867

1504

645

-718

1604

1282

43

1296

1974

1488

1711

126

2881

44

159

966

1645

-203

1159

1382

797

966

45

2937

2674

46

1452

1937

1089

1674

1089

47

2937

2674

48

751

452

230

867

130

282

686

452

-1718

49

-281

97

-125

419

-225

-488

360

-73

290

97

-183

97

249

682

50

2079

1172

2271

909

1324

1494

51

1559

1559

-763

1172

52

2189

645

2130

867

364

1452

53

-133

1230

1037

1282

645

-133

867

1604

54

-226

1166

1844

-589

1359

1581

-4

411

2166

55

159

966

1645

-203

1159

1382

797

966

61

1352

-233

1352

615

1172

62

1937

1130

1615

1352

-150

1937

63

-112

-335

1473

151

303

1250

888

888

1303

473

64

1149

372

1635

787

564

1372

-213

787

1372

65

452

1259

937

89

1452

674

1089

1259

66

1172

587

1172

1172

1172

67

504

1282

674

1504

282

-496

2089

504

68

282

1674

767

-81

1867

504

1919

1089

Таблица 11 - База знаний, мера знаний - разность фактического и теоретического значений хи-квадрат (фрагмент)

KOD

1

2

3

4

5

6

7

8

9

10

11

12

13

14

1

6958

-1658

-1917

-2200

-1373

7234

-1382

-2470

-1924

-1649

5852

-1656

-2466

-1101

2

262

3507

-726

-1980

-1236

-489

3756

-223

-1731

-1484

3267

510

-2219

-991

3

-1521

171

2041

-100

-686

-1383

-691

2765

38

-825

-2074

2172

767

-551

4

-2555

-1393

389

3152

847

-2323

-1161

-75

2384

1615

-3484

-391

2929

2075

5

-1795

-978

-131

702

2190

-1632

-815

-457

865

2027

-2447

-977

545

350

6

6958

-1658

-1917

-2200

-1373

7234

-1382

-2470

-1924

-1649

5852

-1656

-2466

-1101

7

566

2673

-534

-1760

-1098

-213

2894

24

-1539

-1319

2682

676

-1973

-881

8

-1825

1005

1850

-320

-824

-1659

171

2518

-154

-990

-1489

2007

521

-661

9

-2860

-1559

1198

2932

710

-2600

-1299

678

2192

1450

-3899

-556

3682

1965

10

-1491

-813

-940

922

2327

-1355

-677

-1210

1057

2192

-2032

-811

-208

461

11

8741

-1322

-2684

-3080

-1922

8128

-935

-2458

-2693

-2309

7193

-1318

-3452

-1541

12

-2434

3673

1466

-1760

-1098

-2213

2894

2024

-1539

-1319

682

2676

-1973

-881

13

-1521

-829

41

2900

-686

-1383

-691

-235

2038

175

-2074

172

2767

-551

14

-1491

-813

60

922

1327

-1355

-677

-210

1057

1192

-2032

-811

792

2461

15

-1947

-1061

773

592

2121

-1770

-884

419

769

1944

-2655

-1060

1422

295

16

8741

-1322

-2684

-3080

-1922

8128

65

-3458

-2693

-2309

8193

-2318

-3452

-1541

17

-2434

3673

1466

-1760

-1098

-2213

1894

3024

-1539

-1319

-318

3676

-1973

-881

18

-1825

-995

-150

2680

176

-1659

-829

-482

1846

1010

-2489

7

2521

339

19

-1034

-564

1348

252

533

-940

-470

1160

346

439

-1410

-563

2162

626

20

-2099

-1144

-323

1482

2053

-1908

-954

-704

1673

1862

-2862

-1142

299

1240

21

-217

337

233

120

-549

-106

-553

1012

230

-660

-659

1338

14

-440

22

6076

-139

-2473

-2838

-771

5432

217

-2187

-2482

-1128

5649

-1136

-3181

-420

23

-434

1673

466

-760

-1098

-213

1894

24

-539

-1319

1682

676

-1973

119

24

-2099

-1144

677

1482

1053

-1908

-954

296

1673

862

-2862

-142

1299

240

25

-1977

-1078

754

1570

1108

-1798

-898

394

750

1928

-2696

-1076

3397

284

26

6764

1600

-1931

-3510

-2814

6330

2167

-2064

-2944

-3381

8497

-2394

-2055

-2257

27

-2738

-493

2274

1020

-236

-2489

-1244

2777

269

516

-3733

3510

781

9

28

-304

-166

-192

780

-137

-277

-138

-247

808

-165

-415

-166

753

-110

29

-578

-315

-364

582

739

-526

-263

-469

634

687

-788

-315

532

791

30

-1795

-978

-131

702

2190

-1632

-815

-457

865

2027

-2447

-977

-455

1350

31

7676

-902

-1356

-2850

-2402

7160

582

-2323

-2367

-2886

7741

-2897

-1315

-1927

32

-3346

2176

1891

580

-1510

-3042

480

3283

-116

-814

-2563

4179

288

-1211

33

-608

-332

-383

560

725

-553

-276

-494

615

670

-830

-331

507

780

34

-578

-315

-364

582

739

-526

-263

-469

634

687

-788

-315

532

791

35

-1795

-978

-131

702

2190

-1632

-815

-457

865

2027

-2447

-977

-455

1350

36

8045

-1156

-2493

-2860

-1785

8405

-797

-3211

-2501

-2144

7608

-2152

-3205

-1431

37

-2651

3010

2699

-1640

-1647

-3319

2342

4036

-1309

-1979

-977

4013

-959

-1321

38

-1217

-663

233

1120

451

-1106

-553

12

230

1340

-1659

-662

2014

560

39

-1947

-1061

-227

2592

1121

-1770

-884

-581

2769

944

-2655

-1060

2422

1295

40

-882

-481

-556

362

1602

-802

-401

-716

442

1522

-1203

-480

-715

681

41

7524

2015

-3451

-3960

-2471

7022

2512

-3446

-3463

-2969

9534

-1980

-4438

-1982

42

-3194

-741

3987

1690

-1441

-2904

-1451

4406

980

-732

-4355

3262

3411

-1156

43

-1186

-647

-748

1142

1465

-1079

-539

-963

1250

1357

-1618

-646

38

2571

44

-1491

-813

60

922

1327

-1355

-677

-210

1057

1192

-2032

-811

792

461

45

-304

-166

-192

-220

863

-277

-138

-247

-192

835

-415

-166

-247

-110

46

-608

-332

617

-440

725

-553

-276

506

-385

670

-830

-331

507

-220

47

-304

-166

-192

-220

863

-277

-138

-247

-192

835

-415

-166

-247

-110

48

3741

678

316

-3080

-1922

4128

65

542

-2693

-2309

4193

682

-2452

-1541

49

-445

32

-432

1062

-457

-951

526

-422

556

48

-424

36

586

1029

50

-1034

-564

-652

2252

533

-940

-470

-840

2346

439

-1410

-563

1162

626

51

9045

-2156

-2493

-2860

-1785

8405

-797

-3211

-2501

-2144

7608

-2152

-3205

-1431

52

-2130

3839

658

-1540

-961

-1936

3033

1271

-1347

-1154

1097

1841

-1726

-771

53

-2130

-161

1658

1460

-961

-1936

-967

2271

653

-154

-2903

841

3274

-771

54

-1947

-1061

-227

1592

2121

-1770

-884

-581

1769

1944

-2655

-60

422

2295

55

-1491

-813

60

922

1327

-1355

-677

-210

1057

1192

-2032

-811

792

461

61

8437

-488

-2876

-3300

-2059

7851

927

-3705

-2886

-2474

8778

-2483

-3698

-1652

62

-1521

2171

1041

-1100

-686

-1383

1309

1765

-962

-825

-74

2172

-1233

-551

63

-2099

-144

-323

2482

53

-1908

-954

296

1673

862

-2862

858

2299

240

64

-2251

-1227

1581

372

1984

-2047

-1023

1172

576

1780

-3069

-225

1175

1185

65

-1217

-663

233

1120

451

-1106

-553

12

1230

340

-1659

-662

1014

560

66

7828

1181

-3260

-3740

-2334

7298

2651

-4199

-3270

-2804

9949

-2815

-4192

-1872

67

-2738

507

2274

1020

-1236

-2489

-1244

3777

269

-484

-3733

4510

781

-991

68

-1369

-746

137

2010

382

-1245

-622

-112

2134

258

-1866

-745

2890

505

Таблица 12 - База знаний, мера знаний - ROI (return on investment) (фрагмент)

KOD

1

2

3

4

5

6

7

8

9

10

11

12

13

14

1

2287

-1000

-1000

-1000

-1000

2616

-1000

-1000

-1000

-1000

1411

-1000

-1000

-1000

2

96

2350

-421

-1000

-1000

-197

3020

-100

-1000

-1000

875

342

-1000

-1000

3

-1000

206

2129

-91

-1000

-1000

-1000

2239

40

-1000

-1000

2624

622

-1000

4

-1000

-1000

242

1705

734

-1000

-1000

-36

1475

1165

-1000

-281

1414

2244

5

-1000

-1000

-116

541

2704

-1000

-1000

-314

762

2083

-1000

-1000

375

539

6

2287

-1000

-1000

-1000

-1000

2616

-1000

-1000

-1000

-1000

1411

-1000

-1000

-1000

7

233

2015

-348

-1000

-1000

-96

2618

12

-1000

-1000

808

510

-1000

-1000

8

-1000

1010

1608

-243

-1000

-1000

206

1699

-134

-1000

-598

2020

352

-1000

9

-1000

-1000

664

1418

550

-1000

-1000

292

1212

935

-1000

-357

1589

1899

10

-1000

-1000

-1000

855

3460

-1000

-1000

-1000

1122

2712

-1000

-1000

-172

854

11

2052

-569

-1000

-1000

-1000

2099

-483

-711

-1000

-1000

1239

-569

-1000

-1000

12

-1000

2769

956

-1000

-1000

-1000

2618

1024

-1000

-1000

205

2020

-1000

-1000

13

-1000

-1000

43

2636

-1000

-1000

-1000

-190

2119

213

-1000

208

2245

-1000

14

-1000

-1000

64

855

1973

-1000

-1000

-174

1122

1475

-1000

-1000

655

4561

15

-1000

-1000

630

420

2414

-1000

-1000

265

624

1842

-1000

-1000

901

419

16

2052

-569

-1000

-1000

-1000

2099

34

-1000

-1000

-1000

1411

-1000

-1000

-1000

17

-1000

2769

956

-1000

-1000

-1000

1714

1530

-1000

-1000

-96

2775

-1000

-1000

18

-1000

-1000

-131

2030

214

-1000

-1000

-325

1599

1021

-1000

7

1704

514

19

-1000

-1000

2068

337

1142

-1000

-1000

1381

529

783

-1000

-1000

2579

1671

20

-1000

-1000

-244

976

2167

-1000

-1000

-413

1260

1636

-1000

-1000

176

1633

21

-178

508

304

136

-1000

-96

-1000

1024

300

-1000

-397

2020

14

-1000

22

1548

-65

-1000

-1000

-435

1523

122

-686

-1000

-530

1056

-532

-1000

-296

23

-178

1261

304

-432

-1000

-96

1714

12

-350

-1000

507

510

-1000

135

24

-1000

-1000

512

976

1111

-1000

-1000

173

1260

758

-1000

-125

763

316

25

-1000

-1000

605

1098

1241

-1000

-1000

246

599

1798

-1000

-1000

2120

397

26

1085

471

-491

-778

-1000

1116

765

-408

-746

-1000

999

-705

-406

-1000

27

-1000

-330

1318

515

-191

-1000

-1000

1249

155

347

-1000

2356

352

9

28

-1000

-1000

-1000

3545

-1000

-1000

-1000

-1000

4198

-1000

-1000

-1000

3056

-1000

29

-1000

-1000

-1000

1392

2834

-1000

-1000

-1000

1736

2191

-1000

-1000

1135

3780

30

-1000

-1000

-116

541

2704

-1000

-1000

-314

762

2083

-1000

-1000

-313

2079

31

1442

-311

-404

-740

-1000

1479

240

-537

-703

-1000

1067

-1000

-305

-1000

32

-1000

1193

896

240

-1000

-1000

316

1208

-55

-449

-562

2295

106

-1000

33

-1000

-1000

-1000

1273

2642

-1000

-1000

-1000

1599

2032

-1000

-1000

1028

3541

34

-1000

-1000

-1000

1392

2834

-1000

-1000

-1000

1736

2191

-1000

-1000

1135

3780

35

-1000

-1000

-116

541

2704

-1000

-1000

-314

762

2083

-1000

-1000

-313

2079

36

2034

-536

-1000

-1000

-1000

2338

-443

-1000

-1000

-1000

1411

-1000

-1000

-1000

37

-726

1513

1173

-621

-1000

-1000

1412

1361

-567

-1000

-196

2020

-324

-1000

38

-1000

-1000

304

1273

821

-1000

-1000

12

300

2032

-1000

-1000

2042

1271

39

-1000

-1000

-185

1841

1276

-1000

-1000

-367

2249

895

-1000

-1000

1535

1838

40

-1000

-1000

-1000

567

4024

-1000

-1000

-1000

792

3182

-1000

-1000

-1000

2132

41

1374

675

-1000

-1000

-1000

1410

1010

-775

-1000

-1000

1277

-664

-1000

-1000

42

-1000

-426

1980

731

-1000

-1000

-1000

1699

485

-423

-1000

1876

1318

-1000

43

-1000

-1000

-1000

1331

2735

-1000

-1000

-1000

1666

2109

-1000

-1000

40

5987

44

-1000

-1000

64

855

1973

-1000

-1000

-174

1122

1475

-1000

-1000

655

854

45

-1000

-1000

-1000

-1000

6284

-1000

-1000

-1000

-1000

5063

-1000

-1000

-1000

-1000

46

-1000

-1000

1608

-1000

2642

-1000

-1000

1024

-1000

2032

-1000

-1000

1028

-1000

47

-1000

-1000

-1000

-1000

6284

-1000

-1000

-1000

-1000

5063

-1000

-1000

-1000

-1000

48

878

292

118

-1000

-1000

1066

34

157

-1000

-1000

722

294

-710

-1000

49

-82

11

-126

270

-186

-192

213

-95

162

16

-57

12

133

522

50

-1000

-1000

-1000

3010

1142

-1000

-1000

-1000

3586

783

-1000

-1000

1386

1671

51

2287

-1000

-1000

-1000

-1000

2338

-443

-1000

-1000

-1000

1411

-1000

-1000

-1000

52

-1000

3307

490

-1000

-1000

-1000

3135

735

-1000

-1000

378

1589

-1000

-1000

53

-1000

-139

1235

948

-1000

-1000

-1000

1313

485

-134

-1000

726

1897

-1000

54

-1000

-1000

-185

1130

2414

-1000

-1000

-367

1437

1842

-1000

-56

267

3257

55

-1000

-1000

64

855

1973

-1000

-1000

-174

1122

1475

-1000

-1000

655

854

61

1849

-196

-1000

-1000

-1000

1893

447

-1000

-1000

-1000

1411

-1000

-1000

-1000

62

-1000

2618

1086

-1000

-1000

-1000

1894

1429

-1000

-1000

-36

2624

-1000

-1000

63

-1000

-126

-244

1635

56

-1000

-1000

173

1260

758

-1000

751

1351

316

64

-1000

-1000

1114

228

1953

-1000

-1000

641

405

1458

-1000

-184

644

1455

65

-1000

-1000

304

1273

821

-1000

-1000

12

1599

516

-1000

-1000

1028

1271

66

1514

419

-1000

-1000

-1000

1552

1128

-1000

-1000

-1000

1411

-1000

-1000

-1000

67

-1000

340

1318

515

-1000

-1000

-1000

1699

155

-326

-1000

3027

352

-1000

Таблица 13 - Достоверность четырех моделей баз знаний с двумя интегральными критериями

Частный критерий количества знаний

Интегральный критерий

Расчет закончен

Достоверность идентификации (%)

Достоверность неидентификации (%)

Средняя достоверность (%)

Дата

Время

Классический А. Харкевича - Е. Луценко

Корреляция

18-09-11

22:34:26

96,261

81,988

89,125

Свертка

18-09-11

22:37:30

98,550

46,860

72,705

Модифицированный А. Харкевича - Е. Луценко

Корреляция

18-09-11

22:47:33

96,261

82,370

89,315

Свертка

18-09-11

22:50:37

98,230

49,321

73,775

Разность фактического и теоретического значений хи-квадрат

Корреляция

18-09-11

23:00:10

98,550

73,439

85,994

Свертка

18-09-11

23:03:16

98,550

73,439

85,994

ROI (return on nvestment)

Корреляция

18-09-11

23:12:50

99,830

78,006

88,918

Свертка

18-09-11

23:15:59

98,945

74,861

86,903

Пояснения по аналитическому виду частных критериев количественных мер знаний даны в [5, 6], в частности в таблице 3 работы [6].

Из таблицы 13 видно, что наивысшую среднюю достоверность прогнозирования (89,3%) в данном случае обеспечивает модель знаний с применением в качестве частного критерия количества знаний модифицированного критерия А.Харкевича-Е.Луценко и с интегральным критерием - нормированной сверткой (корреляцией). Несущественно: примерно на 0.2%, меньше достоверность у модели знаний с классическим критерием А.Харкевича-Е.Луценко. Эта достоверность вполне достаточна для достижения цели данной работы: создания методики оперативного (на полгода вперед) прогнозирования значений экономических показателей многоотраслевой корпорации.

4. Решение задачи краткосрочного прогнозирования значений экономических показателей многоотраслевой корпорации.

Данная задача решается на основе ранее созданных моделей знаний, отражающих причинно-следственные зависимости между прошлыми значениями экономических показателей предприятий, входящих в корпорацию и будущими значениями экономических показателей корпорации в целом. Эти причинно-следственные зависимости в количественной форме представлены в базах знаний (таблицы 9-12). Для лучшего восприятия этих причинно-следственных зависимостей в системе "Эйдос" реализовано несколько вариантов их наглядной графической визуализации в виде когнитивных функций [7] (рисунок 3).

На рисунке 3 визуализирован фрагмент базы знаний, с количественным частным критерием знаний: классической мерой А.Харкевича-Е.Луценко, таблица 9. Видно, что текущая "Выручка от реализации" ООО "Бакалея" практически линейно связана с прогнозируемыми значениями экономических показателей корпорации в целом, причем для следующего квартала связь между ним более четкая, чем для второго. Однако не во всех случаях эта связь столько проста (рисунок 4), но какой бы она не была, система "Эйдос" позволяет ее выявить в количественной форме и использовать для решения задач прогнозирования и принятия решений.

Рисунок 3. Наглядная графическая визуализация причинно-следственных зависимостей, представленных в базе знаний в виде когнитивных функций в системе "Эйдос" (режим _54)

Рисунок 4. Наглядная графическая визуализация причинно-следственных зависимостей, представленных в базе знаний в виде когнитивных функций в системе "Эйдос" (режим _54)

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 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: ввод информации о значениях действующих на объект факторов в систему "Эйдос"; пакетное распознавание (прогнозирование); вывод и интерпретация результатов распознавания (прогнозирования).

Прогнозирование осуществляется в 4-й подсистеме системы "Эйдос", некоторые экранные формы которого приведены на рисунке 5:

Рисунок 5. Экранные формы режима прогнозирования системы "Эйдос" (_42)

Результаты прогнозирования, отображаются в форме, представленной на рисунке 6:

Рисунок 6. Карточки результатов прогнозирования, генерируемые режимом _431 системы "Эйдос" (_42)

На карточках 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 формулируется проблема краткосрочного прогнозирования значений и динамики экономических показателей многоотраслевой корпорации, на основе применения системно-когнитивного анализа (СК-анализ) и его инструментария (интеллектуальной системы "Эйдос") осуществляется формальная постановка задачи и синтез четырех моделей корпорации, отличающихся частыми критериями взаимосвязи между прошлыми показателями предприятий, входящих в корпорацию и будущим состоянием корпорации в целом, производится верификация всех частных моделей с использованием двух интегральных критериев прогнозирования, приводятся результаты когнитивной кластеризации 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 (рисунок 6), так и средневзвешенного прогноза, формируемого на основе точечных с учетом количества знаний в каждом из них. Кроме того, планируется разработать методику оперативного прогнозирования динамики значений показателей многоотраслевой корпорации.

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

Литература

1. Ильиных, Ю.М.. Инструменты анализа внешней среды при стратегическом планировании развития корпорации. Дисс. на соиск.уч.ст.канд.эконом.наук., Барнаул, -2005 год.

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., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с.

4. Макаревич О.А. Управление агропромышленным холдингом с применением технологий искусственного интеллекта: Монография (научное издание). - М: "Финансы и статистика", 2009. - 215 с.

5. 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.

6. 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.

7. 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.

8. Луценко Е.В. Оперативное прогнозирование значений 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, Л.О. Макаревич // 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/49.pdf, 0,938 у.п.л.

Размещено на Allbest.ru


Подобные документы

  • История развития компьютеров IBM PC на примере ЦПУ корпорации Intel

    Изучение процессорных устройств, разработанных учеными корпорации Intel, совокупности инновационных технологий, повлиявших на их развитие. Анализ методик разработки микросхем, аппаратного обеспечения компьютера и программируемого логического контроллера.

    реферат [29,5 K], добавлен 09.05.2011

  • Использование алгоритмов искусственного интеллекта в процессе построения UFO-моделей

    Применение методов искусственного интеллекта и современных компьютерных технологий для обработки табличных данных. Алгоритм муравья, его начальное размещение и перемещение. Правила соединения UFO-компонентов при моделировании шахтной транспортной системы.

    дипломная работа [860,8 K], добавлен 23.04.2011

  • Программное обеспечение корпорации на примере "ЕАЕ-Консалт"

    Типичный процесс работы сервисной службы. Прием телефонных звонков и диспетчеризация заявок. Обработка телефонных обращений. Управление инцидентами и работами. Внешний вид программы HP OpenView Service Desk. Функции Lotus Notes/Domino в корпорации.

    отчет по практике [300,5 K], добавлен 22.07.2012

  • Деятельность корпорации Intel

    История развития корпорации Intel, ее финансовые показатели и планы на будущее. Основные программные продукты: C++ Compiler for Linux и for Windows, Visual Fortran Compiler for Windows, VTune Performance Analyzer. Защита информации Intel Anti-Theft.

    реферат [20,6 K], добавлен 02.04.2010

  • Исследование дидактических возможностей сетевых моделей при разработке программных приложений систем искусственного интеллекта

    Обзор образовательных стандартов педагогического образования в области искусственного интеллекта. Построение модели предметной области в виде семантических сетей. Характеристика проблемного обучения. Основные средства языка программирования Пролог.

    дипломная работа [387,8 K], добавлен 01.10.2013

  • Прогнозирование цен на рынке драгоценных металлов с помощью нейронных сетей

    Виды сделок на рынке драгоценных металлов. Основы нейросетей и нейросетевого моделирования. Проектирование и разработка приложения с использованием искусственного интеллекта для решения задач по прогнозированию цен на рынке драгоценных металлов.

    дипломная работа [3,6 M], добавлен 30.06.2012

  • Проблемы искусственного интеллекта

    Сущность и проблемы определения искусственного интеллекта, его основных задач и функций. Философские проблемы создания искусственного интеллекта и обеспечения безопасности человека при работе с роботом. Выбор пути создания искусственного интеллекта.

    контрольная работа [27,9 K], добавлен 07.12.2009

  • Система искусственного интеллекта

    Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.

    презентация [3,0 M], добавлен 28.05.2015

  • Системы искусственного интеллекта

    Понятие и суть нечеткой логики и генетических алгоритмов. Характеристика программных пакетов для работы с системами искусственного интеллекта в среде Matlab R2009b. Реализация аппроксимации функции с применением аппарата нечеткого логического вывода.

    курсовая работа [2,3 M], добавлен 23.06.2012

  • Создание и развитие искусственного интеллекта

    Начало современного этапа развития систем искусственного интеллекта. Особенности взаимодействия с компьютером. Цель когнитивного моделирования. Перспективы основных направлений современного развития нейрокомпьютерных технологий, моделирование интеллекта.

    реферат [24,7 K], добавлен 05.01.2010

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены