Диссертация (Математические модели и инструментальные средства поддержки принятия решений в сфере массовых услуг), страница 9

По новым правилам, каждая самка изсемействарогатогоскотадолжнабылапроходитьпериодическуюветеринарную проверку не реже чем раз в 30 дней, а вновь прибывающиестада должны были проходить усиленную проверку на бруцеллёз притранспортировке в округа Южной Калифорнии. Эти события были включеныв модель как фиктивные переменные. Модель АРПСС показала, чтозараженные бруцеллёзом стада останутся инфицированными в течениепоследующих нескольких месяцев.

Наличие четвертого порядка скользящегосреднего указывало на существование четырехмесячного цикла, который несмогли связать с внешними факторами.Ремени (Remenyi) (2010) используя метод анализа временных рядов,попытался описать изменения в частоте сердечных сокращений свободнопередвигающихся коров, получающих запрограммированные звуковыесигналыотнаправленногонезапрограммированныхвиртуальногозагражденияэкологически-физиологических(DVF™)сигналови[99].Первый тип устройств предназначен для контроля месторасположениякрупного рогатого скота на местности.

Устройство Polar Accurex® былоиспользовано, чтобы каждую минуту снимать показания сердцебиения увзрослых здоровых особей. Система GPS использовалась для поиска каждойкоровы ежеминутно на площади приблизительно в 58 Га и ежесекундно, вслучае, если животное покидало территорию. При попытке выхода запределы обусловленной территории им транслировался аудио сигнал,длительностью от 1 до 56 сек. Данные, снятые во время прослушивания49животными этих сигналов, показали, что ритм сердца у коров оставался впределах нормы (40-148 ударов в минуту). Ритм сердца у коров,подвергнутых звуковым сигналам и у коров, которые не приближались кграницам условленной территории, приходил в норму в течение минуты.

Темне менее, самое длительное восстановление было зафиксировано у коровы,вышедшей за границы территории, и составило около 4-х минут. Ритмсердца,дислокацияживотныхипрочаяинформация,полученнаяэлектронным путем, использовалась для того, чтобы точно установитьпричины изменения ритма сердца у животных.Основные результаты применения метода анализа влияниявнешних событий. В приведенных исследованиях методы анализа влияниявнешних событий использовались в основном как аналитический ипрогнозный инструмент в очень широком спектре областей.

С моментапоявления модели, предложенной Боксом и Тиао (1975) [58], былорассмотрено множество версий метода анализа влияния внешних событий.Исходя из примеров выше, можно предположить, что анализ влияниявнешних событий используется многими аналитиками в их работах иявляется мощным статистическим методом в оценке и прогнозированиивлияния событий или решений на заданном временном ряду.1.5. Искусственные нейронные сети какинструментальное средство количественногоанализаРазвитие вычислительных систем и их мощностей приводят к тому, чтов последнее время наряду со стандартными статистическими методамираспространение и интенсивное развитие получили методы искусственныхнейронных сетей.Искусственные нейронные сети (ИНС) — математические модели, атакже их программные или аппаратные реализации, построенные поаналогии с организацией и функционированием биологических нейронныхсетей — сетей нервных клеток живого организма.

ИНС возникли при50изучении процессов, протекающих в мозге, и при попытке смоделировать этипроцессы [83].С математической точки зрения, обучение нейронных сетей — этомногопараметрическая задача нелинейной оптимизации. С точки зренияразвития вычислительной техники и программирования, нейронная сеть —способ решения проблемы эффективного параллелизма.Отличительным свойством нейронной сети является возможностьобучения.

Технически обучение заключается в нахождении коэффициентовсвязей между нейронами. В процессе обучения нейронная сеть способнавыявлять сложные зависимости между входными данными и выходными, атакже выполнять обобщение. Это значит, что, в случае успешного обучения,сеть сможет вернуть правильный результат на основании данных, которыеотсутствоваливобучающейвыборке,атакженеполныхи/или«зашумленных», частично искаженных данных.Искусственная нейронная сеть (ИНС, нейронная сеть) – это наборнейронов, соединенных между собой. Как правило, передаточные функциивсех нейронов в нейронной сети фиксированы, а веса являются параметрамиНС и могут изменяться.

Некоторые входы нейронов помечены как внешниевходы нейронной сети, а некоторые выходы - как внешние выходынейронной сети. Подавая любые числа на входы НС, получается какой-тонабор чисел на выходах нейронной сети. Таким образом, работа нейроннойсети состоит в преобразовании входного вектора в выходной вектор, причемэто преобразование определяется значениями весов нейронной сети.Традиционно выделяют несколько классов нейронных сетей: сети,обучаемые без учителя и с учителем.Обучение без учителя не требуетзнания правильных ответов на каждый пример обучающей выборки.

В этомслучае раскрывается внутренняя структура данных или корреляции междуобразцами в системе данных, что позволяет распределить образцы покатегориям. Во втором случае нейронная сеть располагает правильнымиответами (выходами сети) на каждый входной пример. Веса настраиваются51так, чтобы сеть производила ответы как можно более близкие к известнымправильным ответам.

Нейронные сети (НС), обучаемые без учителя,позволяют решать задачи кластеризации, классификации, организации ивизуального представления больших объемов данных. Нейронные сети,обучаемые с учителем, позволяют устанавливать взаимосвязи междуинформацией подаваемой нейронной сети на вход и результатамидеятельности НС, что позволяет решать задачи регрессии и прогнозирования.Затем, результаты могут быть переведены в математические уравнения дляиспользования в системах поддержки принятия решений [83].Нейронные сети – один из способов построения адаптивныхэконометрических моделей.

Обучение нейронных сетей с учителем позволяетрешать задачи регрессии и прогнозирования, поэтому такие нейронные сетимогут быть пригодны для построения эконометрических моделей ииспользоваться в качестве инструментального средства систем поддержкипринятия решений [107].В работе исследуется применение нейронных сетей для разработкинового метода анализа влияния внешних событий, пристально изученных впредыдущем параграфе.

В следующей главе более подробно описывается самстатистический метод, а так же в деталях раскрывается способ егоприменения для решения задачи анализа влияния внешних событий.52ГЛАВА 2. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПРИМЕНЕНИЯМАТЕМАТИЧЕСКИХ КОЛИЧЕСТВЕННЫХ МЕТОДОВ АНАЛИЗА ВСФЕРЕ МАССОВЫХ УСЛУГ2.1. Методологические основы применения нейронныхсетей при построении систем поддержки принятиярешенийВ течение последнего времени нейронные сети на стационарныхкомпьютерах и ноутбуках используются для решения все более сложныхзадач и для анализа проблем в деловой среде.

Сегодня идея обучения длярешениясложныхвопросовраспознаванияобразовспомощьюинтеллектуального подхода, основанного на данных, уже не являетсяисключительно научной задачей. Нейронные сети зарекомендовали себя какценный инструмент в широком диапазоне функциональных областей,затрагивающих большинство предприятий. Нейронные сети являютсясоставным компонентом систем data mining [43, 54]. В настоящее время этанаучная область существенно меняет подход организации к работе сданными и использованию результатов анализа в разработке бизнесстратегии компании. Нейронные сети – вычислительные инструменты,предназначенные для изучения структуры данных и разработки моделей,помогающих выявить интересные закономерности в больших массивахинформации.

Предварительно на основе обучающих примеров строятсямодели с использованием нейронных сетей, эта информация необходима длявыявления устойчивых взаимосвязей. Затем, полученные модели могут бытьприменены ко вновь появляющимся данным для принятия тех или иныхрешений. Традиционно нейронные сети можно использовать для решениянескольких задач бизнеса: научиться предсказывать будущие события на основе зависимостей,которые наблюдались в исторических обучающих примерах; научиться классифицировать данные в заранее определенные группы,на основе обучающих примеров;53 научитьсякластеризоватьданныевестественныегруппы,построенные по сходству характеристик.Существует много различных нейросетевых моделей, которые былиразработаны в течение последних пятидесяти лет.

Некоторые из нихпредназначены для решения задач прогнозирования, некоторые – дляклассификации и кластеризации. Как было отмечено в параграфе 1.5, срединейронных сетей выделяют несколько классов: сети, обучаемые без учителяи с учителем. Поскольку нейронные сети, обучаемые с учителем, могутописывать взаимосвязи между входами и выходами НС, то может решатьсязадача регрессии и прогнозирования. Именно этот класс нейронных сетей ибудетрассматриватьсявисследованиивкачествеосновногоинструментального средства [112].Работа развивает одну основную модель НС, которая нашла успешноеприменение в широком диапазоне областей бизнеса. Это многослойнаянейронная сеть прямого распространения (MFNN), принадлежащая классунейронных сетей, предназначенных для обучения с учителем (Румелхарт(Rumelhart) & Макклиланд (McClelland), 1986).В моделях с обучением тренировочные данные содержат полнуюинформацию о характеристиках данных и наблюдаемых результатах.

Моделиразрабатываются так, чтобы оценить связь между этими характеристиками(входы НС) и результатами (выходы). Одним из примеров использованиямногослойной нейронной сети прямого распространения считается решениезадачи прогнозирования.Модель нейрона. На рис. 3 показана структура нейрона. Нейронсостоит из элементов трех типов: однонаправленных входных связей,соединенных с выходами других нейронов (синапсов), сумматора (S) инелинейногопреобразователя.Синапсыосуществляютсвязьмеждунейронами: число, характеризующее силу связи (вес синапса wi), умножаетсяна входной сигнал. Сумматор выполняет сложение сигналов, поступающихпо синаптическим связям от других нейронов, и внешних входных сигналов.54Рисунок 3 – Структура искусственного нейронаНелинейная функция, преобразующая выход сумматора, называетсяфункцией активации нейрона. Нейрон является скалярной функциейвекторного аргумента.