ВЫВОДЫ

При написании диссертации на тему "Прогнозирование черепно-мозгового травматизма в г. Донецке" были рассмотрены разнообразные техники прогнозирования, позволяющие провести анализ любого временного ряда.

Любой из рассмотренных методов (методы линейной регрессии, сведения к линейному тренду, сведение к модифицированной экспоненте) позволяет получить для решения задачи прогнозирования ЧМТ достоверный прогноз, доверительный интервал и стандартную ошибку прогнозирования, но по степени близости подгонки кривой к реальным данным лучшими являются кривая Гомпертца и логистическая кривая. С помощью этих кривых будет получен наиболее точный прогноз, т.е. прогноз, среднеабсолютная ошибка которого минимальна.

Все рассмотренные методы не учитывают сезонность изменения данных, поэтому для применения в решении поставленной задачи их нужно модифицировать с учетом сезонности.[3]

Для повышения точности прогнозирования можно использовать метод кумулятивных сумм, который будет контролировать достоверность полученного прогноза и сигнализировать об изменении среднего уровня прогнозных данных.

При изучении математических пакетов, реализующих анализ и прогнозирование временных рядов, были рассмотрены системы MSExel и Statistika. В результате анализа многочисленных возможностей этих систем, получены прогнозные числа для примера, и проведена сравнительная характеристика результатов.

Прогнозы, полученные в MSExel, Statistike и при помощи нейросетевых алгоритмов, по своей точности соответствуют результатам работы MEDIC-ЧМТ - программы, разработанной специально для прогнозирования данных, расположенных в БД, контролируемой локальным сервером.

При разработке программы анализа и прогнозирования черепно-мозговых травм были использованы технологии удалённого управления базой данных, Activ-X элементы MSword, MSExel, различные компоненты Delphi 5.0, позволяющие осуществить связь с сервером, печать отчетов, работу с СOM-интерфейсами и др.

При тестировании приложения на точность прогнозирования было выяснено среднее отклонение прогнозного варианта от реального результата, оно составило порядка 4-3%. Это удовлетворительная погрешность, но при прогнозировании на последующие годы эта погрешность будет возрастать, поэтому, я думаю, что большей точности прогнозирования можно будет достичь, используя другие методы прогнозирования, которые предусматривают более детальный анализ ситуации в период упреждения прогноза, выяснение закономерностей развития модели и их причин, вывод общих правил для прогнозирования. Одним из таких методов является построение адаптивной модели для данного процесса, которая будет подстраиваться под изменения, происходящие в процессе получения и верификации прогноза.

Наличие базы данных распологает к более детальному машиному исследованию закономерностей изменения количества ЧМТ, скорость работы сервера позволяет производить значительно более сложный анализ данных.