Штучна нейронна мережа навчається за допомогою деякого процесу, що модифікує її ваги. Якщо навчання успішне, то подання мережі множину вхідних сигналів призводить до появи бажаної множини вихідних сигналів. Існує два класи методів навчання: детерміністичний та стохастичний [12].

Детерміністичний метод навчання крок за кроком здійснює процедуру корекції вагів мережі, основану на використанні їх поточних значень, а також величин входів, фактичних виходів та бажаних виходів.

Стохастичні методи навчання виконують псевдо випадкові зміни величин вагів, зберігаючи ті зміни, які призводять до покращень.

Прогнозування – це передбачення майбутніх подій. Метою прогнозування є зменшення ризику під час прийняття рішення. У більшості випадків прогноз виходить помилковим, при чому похибка залежить від системи прогнозування і методів прогнозування. Для зменшення похибки слід збільшити кількість ресурсів, наданих для прогнозу. При деякому рівні похибки можна досягти мінімального рівня ресурсів для прогнозу. Основною проблемою прогнозування є виявлення неточності прогнозу. Зазвичай рішення, що приймається на сонові прогнозу повинно враховувати похибку, про яку повідомляє система прогнозування. Таким чином, система прогнозування повинна забезпечувати визначення прогнозу та похибку прогнозування.

Більшість задач прогнозування можна звести до передбачення часового ряду, яка в сою чергу зводиться до типової задачі нейроаналізу – апроксимації функції багатьох змінних за заданим набором прикладів – за допомогою процедури занурення ряду в багатомірний простір (Weigend, 1994). Згідно з теоремою Такенна «Якщо часовий ряд породжується динамічною системою, тобто значення D0 є довільна функція стану такої системи, існує така глибина занурення d, яка забезпечує однозначне передбачення наступного значення часового ряду» (Sauer, 1991). Таким чином, обравши достатньо велике d, можна гарантувати однозначну залежність майбутнього значення ряду від його попередніх значень: Xt=?(Xt-d) , тобто передбачення часового ряду зводиться до задачі інтерполяції функції багатьох змінних. Нейромережу далі можна використовувати для відновлення цієї невідомої функції з набору прикладів, заданих історією даного часового ряду [12].

Результатом прогнозу на НМ є клас, до якого належить змінна, а не її конкретне значення. Формування класів повинно проводитися в залежності від того, яка мета прогнозування. Загальний підхід полягає в тому, що область визначення змінної, що прогнозується, розбивається на класи у відповідності з необхідною точністю прогнозування. Класи можуть представляти якісний або кількісний погляд на зміну змінної величини.

Прогнозування на нейронних мережах має декілька недоліків. Як правило, необхідно близько 100 спостережень для створення потрібної моделі. Це достатньо велика кількість даних й існую багато випадків, коли така кількість історичних даних недоступна.

Проте слід зазначити, що можлива побудова задовільної моделі на нейронних мережах навіть в умовах браку даних. Модель може уточнюватися по мірі того, як свіжі дані стають доступними.

Застосування нечіткої логіки для вирішення задач прогнозування
Прогнозування матеріальних потоків промислових підприємств запропоновано здійснювати на базі нечіткої логіки, використовуючи нечіткі знання та генетичні алгоритми. На рисунку 7.8 зображена логічна схема потоків промислового підприємства.

Рисунок 7.8 - Логічна схема потоків промислового підприємства

Одним із направлень вдосконалення роботи сучасних промислових підприємств є логістичний підхід до прогнозування та керування матеріальними потоками підприємства. Взагалі, матеріальний поток підприємства представляє собою динамічне й непереривне явище. Для спрощення розробки моделі прогнозування та керування, виходячи з логістичної концепції, матеріальний поток розглядається на короткому часовому відрізку, що дозволяє його характеризувати як часову статистичну величину.

Складності побудови моделей матеріальних потоків полягає в тому, що між факторами, що впливають, як зовнішніми, так і внутрішніми, існує певний зв‘язок, який часто складно виявити. Матеріальний потік підприємства складається з:

• вхідного матеріального потоку у вигляді спожитої сировини, матеріалів, комплектуючих виробів тощо;
• внутрішнього матеріального потоку між окремими логістичними ланками системи;
• вихідного матеріального потоку у вигляді готової продукції, товарів, послуг.

Нечіткі множини дають можливість формалізувати величини, що мають якісну основу, виявити причинно-наслідкові зв‘язки між параметрами та величинами, що мають на них вплив, та сформулювати нечіткий прогноз в умовах невизначеності параметрів прогнозування.Алгоритм побудови математичної моделі, який зображений на рисунку 7.9, базується на використанні теорії нечіткої логіки.

Рисунок 7.9 - Алгоритм побудови математичної моделі

У відповідності до методів нечіткої логіки виділяють основні етапи моделювання:

• Постановка задачі та побудова дерева виводу, фаззифікація. Розглядається об‘єкт типу

(7.2)

• За допомогою експертів формується сукупність параметрів, що впливають на величину, що прогнозується. Для кожного з параметрів визначають лінгвістичні терми, що дають оцінку даному параметру. Граф (дерево рішень) відображає класифікацію факторів (x1,x2,:xn), які впливають на показник прогнозу (y). На цьому ж етапі здійснюється фаззифікація, тобто вибір нечітких термів для лінгвістичної оцінки факторів впливу.

• Побудова бази нечітких знань. Сюди заносяться результати майбутнього експеримента.
• Побудова функції приналежності лінгвістичних змінних, які задаються в параметричній формі [1]

(7.3)

• Формування нечіткого логічного виводу.
• Отримання результатів моделювання, яке полягає в перетворенні нечіткої множини в чітке число (дефаззифікація). Процедура дефаззифікації є процедурою отримання рішення. При чому величина Y розраховується:

(7.4)

• Настройка нечіткої моделі шляхом розширення об‘єму бази знань та настройки функції приналежності.

Для побудови моделі необхідно усі параметри інформаційної бази привести до одного вигляду – якісному або кількісному.

База нечітких знань є носієм експертної інформації про причинно-наслідкові зв‘язки між вхідними та вихідними даними. База знань детермінує систему логічних виводів типу «якщо-то; якщо-або», які зв‘язують значення вхідних параметрів Х1,:Хn із вихідним параметром Y.   

Формування бази нечітких знань починається з процедури формування початкової вибірки, мета якої – підготовка необхідного масиву статистичних даних дослідного об‘єкту.

Чіткий прогноз матеріальних потоків сучасних підприємств ускладнений через ряд причин об‘єктивного та суб‘єктивного характеру. Є доцільним прогнозування матеріальних потоків здійснювати на базі методів нечіткої логіки, використовуючи нечіткі знання.

Нечіткі числа, які отримуємо в результаті «не дуже точних вимірювань», дуже схожі на розподілення теорії ймовірностей, але порівняно з цими методами, методи нечіткої логіки дозволяють різко зменшити об‘єм вирахувань, і, в свою чергу, призводить до збільшення швидкості роботи нечітких систем.
Недоліками нечітких систем є:

• відсутність стандартної методики проектування та розрахунку нечітких систем;
• неможливість математичного аналізу нечітких систем існуючими методами;
• застосування нечіткого підходу порівняно з імовірнісними не призводить до підвищення точності розрахунків;
• збільшення вхідних змінних збільшує складність розрахунків експоненціально;
• як наслідок попереднього пункту, збільшується база правил, що призводить до складного її сприйняття.

Прогнозування з використанням генетичних алгоритмів

Вперше ідея використання генетичних алгоритмів для навчання (machine learning) була запропонована в 1970-ті роки. У другій половині 1980-х до цієї ідеї повернулися у зв‘язку з навчанням нейронних мереж. Вони дозволяють вирішувати задачі прогнозування (останнім часом найбільш широко генетичні алгоритми використовуються для банківських прогнозів), класифікації, пошуку оптимальних варіантів, і абсолютно незамінні в тих випадках, коли у звичайних умовах рішення задачі основане на інтуїції або досвіді, а не на чіткому (в математичному контексті) її опису. Використання механізмів генетичної еволюції для навчання нейронних мереж здається природнім, оскільки моделі нейронних мереж розробляються аналогічно мозкові та реалізують деякі його особливості, що з‘явилися в результаті біологічної еволюції [13].

Основні компоненти генетичних алгоритмів – це стратегії репродукцій, мутацій і відбір «індивідуальних» нейронних мереж (аналогічно відбору індивідуальних особин). Важливим недоліком генетичних алгоритмів є складність для розуміння та програмної реалізації. Однак перевагою є ефективність у пошуку глобальних мінімумів адаптивних рельєфів, оскільки в них досліджуються великі області допустимих значень параметрів нейтронних мереж. Інша причина того, що генетичні алгоритми не застрягають у локальних мінімумах – випадкові мутації.

Швидкість сходження градієнтних алгоритмів у середньому вища, ніж генетичних алгоритмів. Генетичні алгоритми дають можливість оперувати дискретними значеннями параметрів нейронних мереж. Це спрощує розробку цифрових апаратних реалізацій нейронних мереж. Під час навчання на комп’ютері нейронних мереж, які не орієнтовані на апаратну реалізацію, можливість використання дискретних значень параметрів у деяких випадках може призводити до скорочення загального часу навчання [14].

8. Основний зміст роботы

Перший розділ. Огляд поставленої задачі: Прогнозування доходу підприємства (телефонної компанії) на основі аналізу даних, наданих біллінговою системою. У даному розділі будуть описані методи розв‘язання, а також математична постановка задачі та висновки. Тут також необхідно визначити параметри, на основі яких може проводитись прогнозування. 

Математична постановка задачі. Дохід є основним фактором економічного та соціального розвитку підприємства. Тому економічно обґрунтоване планування доходу на підприємствах має дуже велике значення.

Для розв‘язання нашої задачі ми беремо так званий валовий дохід: без відрахувань на податок, заробітну плату робітникам, без відрахувань на постійні або одноразові витрати. Ми додаємо всі грошові засоби, що поступають на рахунок підприємства від абонентів за спожиті ними послуги зв‘язку. Далі цю суму будемо називати «доходом». Таким чином, формула підрахунку доходу телекомунікаційної компанії має наступний вигляд:

(8.1)

де ki – кількість послуг в i–ому тарифі;
n – кількість тарифів;
mi – число абонентів, які користуються тарифом i;
xijl – кількість послуг, отриманих абонентом j за тарифом i за послугу l;
til – ціна послуги l у тарифі i.

Задача прогнозування доходу полягає, головним чином, у прогнозуванні декількох параметрів, за допомогою яких потім розраховується й сам дохід. Оскільки ki – кількість послуг в i–ому тарифі, n – кількість тарифів і til – ціна послуги l у тарифі i, - ми встановлюємо самі, то ці параметри вважаємо відомими. Таким чином, наша задача зводиться до визначення (прогнозування) mi и xijl

Із одного боку, mi – число абонентів, які користуються тарифом i. Пропонуючи нові послуги або нові тарифи існуючих послуг, ми повинні спрогнозувати, скільки нових абонентів буде заохочено, скільки абонентів перейде на новий тариф, і яка кількість клієнтів буде користуватися новими послугами за новими тарифами.

А з іншого боку, ми маємо xijl – кількість послуг, отриманих абонентом j за тарифом i за послугу l. Фактично, нам необхідно спрогнозувати яку кількість тих чи інших послуг зв‘язку (існуючих за новими тарифами або нововведених послуг) буде споживатися кожним із абонентів.

Очевидно, що невеликий об‘єм даних набагато легше обробляти аналітично. Виходячи з цього, можемо зробити висновок, що бажано розбивати величезний масив даних, що надається біллінговою системою, наприклад, на групи абонентів всередині тарифу (наприклад, за об‘ємом спожитих послуг).

Спираючись на дані біллінгової системи, ми, у першу чергу, можемо визначити лояльність різних груп абонентів, спрогнозувати їхню поведінку: надання переваги тим чи іншим послугам, тарифам, тривалість користування наданими послугами, можливість переходу з одного тарифного плану в інший тощо.

Другий розділ. Розробка метода прогнозування доходу. Метод прогнозування споживання послуг – на основі аналізу часових рядів із використанням нейромереж. Метод прогнозування динаміки зміни кількості користувачів у кожному тарифі – на основі теорії нечіткої логіки.

Третій розділ. Розробка моделі роботи системи для перевірки методів прогнозування Дослідження й аналіз роботи методів прогнозування. Оцінка роботи методів прогнозування на основі порівняння результатів із реальними даними.

9. Висновки

Сучасні тенденції розвитку ринка телекомунікацій, пов‘язані з постійно та швидко зростаючим різноманіттям видів наданих послуг зв‘язку та їхніх об‘ємів, ставлять перед операторами зв‘язку все більш складні задачі з організації процесу надання цих послуг своїм клієнтам. До таких задач відносять і забезпечення системою розрахунку та тарифікації наданих послуг, виставлення рахунків та врахування оплати (що складає основу біллінгових систем або АСР – автоматичних систем розрахунку); забезпечення врахуванням потреб клієнтів у різного виду послугах; підтримка різних способів оплати тощо.
Були вирішені наступні задачі:

1. Визначена необхідність у ефективному керуванні телекомунікаційним трафіком із метою збільшення доходів оператора зв‘язку.
2. Проведений аналіз існуючих біллінгових систем, досліджені можливості збору та зберігання інформації про трафік.
3. Було зроблено порівняльний аналіз алгоритмів виявлення схованих закономірностей та запропонований найбільш перспективний для аналізу та прогнозування телекомунікаційного трафіка.

10. Список літератури

1. Биллинг неголосовых услуг [Электронный ресурс] / А. Голышко. – Режим доступа: www.connect.ru/article.asp?id=6170
2. Современные CRM/PRM-системы и web-технологии в бизнесе телекоммуникационных компаний [Электронный ресурс] / А. Гургенидзе. – Режим доступа: www.connect.ru/article.asp?id=6617  
3. Naumen Telecom: Комплекс OSS/BSS для российских компаний (ТССС). [Электронный ресурс] – Режим доступа: www.naumen.ru/go/company/press/TCCC_08_Telecom
4. Трубникова, Е.И. Способы управления социально-экономическими системами / Т.В. Полулях, Е.И. Трубникова // Инфокоммуникационные технологии, 2007, том 5, № 1, с. 72-77.
5. Трубникова, Е.И., Биллинг как средство принятия управленческих решений при формировании тарифных планов телекоммуникационной компании. / Е.И. Трубникова, А.В. Добрянин // Проблемы Материалы XIII Юбилейной Российской научной конференции профессорско-преподавательского состава, научных работников и аспирантов, 30 янв.– 4 фев. 2006г. – Самара: Поволжская Государственная Академия Телекоммуникаций и Информатики, 2006, с. 208-209.
6. Zachman J. A Framework for Information System Architecture // IBM System Journal, 1987, vol. 26, № 3, pp. 276-292.
7. Zachman J. Enterprise Architecture: The Past and The Future // DM Direct, April 2000.
8. Разработка моделей выявления взаимозависимых факторов в телекоммуникационном графике на основе регрессионно-когнитивных графов диссертация кандидата технических наук [Электронный ресурс] / А.В. Мелик-Шахназаров. – Режим доступа: http://www.dissforall.com/_catalog/t8/_science/39/210263.html
9. Инновационное управление телекоммуникационной организацией на основе метода имитационного моделирования [Электронный ресурс] / Е.И. Трубникова. – Режим доступа:   http://www.nimb.nnov.ru/_data/files/ARD_Trubnikova.pdf   
10. Трубникова, Е.И. Применение имитационного моделирования в процессе бюджетирования. / Е.И. Трубникова // Роль высших учебных заведений в инновационном развитии экономики регионов: Международная науч.-практ. конф., 10-12 окт. 2006г. – Самара: Самар. гос. экон. акад., 2006. – с. 217-220.
11. Бутенко А.А. и др. Обучение нейронной сети при помощи алгоритма фильтра Калмана. // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение »: Сб. докл., 2002. – с. 1120-1125.
12. Решение задач прогнозирования с помощью нейронных сетей [Электронный ресурс] / Акулов П. В. – Режим доступа:  http://www.masters.donntu.ru/2006/fvti/akulov/diss/index.htm 
13. Вороновский Г.К., и др. Генетические алгоритмы, нейронные сети и проблемы виртуальной реальности. – Х.: ОСНОВА, 1997. – 112 с.
14. Батищев Д.И. Генетические алгоритмы решения экстремальных задач. – Воронеж: ВГУ, 1994. – 135 с.

Важливе зауваження: під час написання даного автореферату магістерська робота ще не завершена. Повне закінчення роботи - грудень 2009року. Повний текст роботи та матеріали по темі можуть бути отримані в автора або його керівника після зазначеної дати.

Вгору