Рисунок 1 - Структура нейрона
Факультет: компьютерных информационных технологий и автоматики
Специальность: информационные управляющие системы и технологии
Научный руководитель: профессор Лаздынь Сергей Владимирович, Донецкий националный технический университет, профессор кафедри автоматизированные системи управления
Прогнозирование спроса представляет собой определение возможного будущего спроса на товары и услуги в целях лучшего приспособления субъектов хозяйствования к складывающейся конъюнктуре рынка. Прогноз спроса - это теоретически обоснованная система показателей о еще неизвестном объеме и структуре спроса. Прогнозирование связывает накопленный в прошлом опыт об объеме и структуре спроса с предсказанием будущего их состояния. Прогноз спроса рассматривается как прогноз физического объема реализации товара (услуги). Он может дифференцироваться по категориям потребителей и регионам. Прогнозирование может осуществляться по любому периоду упреждения. Главный акцент в краткосрочном прогнозе делается на количественной, качественной и ценовой оценках изменений объема и структуры спроса; учитываются временные и случайные факторы. Долгосрочные прогнозы спроса определяют прежде всего возможный физический объем продажи товара (услуги) и динамику изменения цен.
Спрос прогнозируется на отдельный товар или товарную группу. Такой прогноз дает представление о реальном уровне спроса на товар в будущем на конкретный период. Причем чем короче период, тем точнее прогноз. Прогноз спроса (объема продажи) является фундаментом для планирования и всех других экономических расчетов.
Прогнозирование – это обязанность, которую в явной или неявной форме неизбежно должны выполнять все организации. Помимо получения возможных будущих оценок тех или иных исследуемых параметров, целью прогнозирования также является побуждение к размышлению о том, что может произойти во внешней среде и к каким последствиям для фирмы это приведет. Прогнозирование повышает бдительность менеджеров и, следовательно, их способность реагировать на изменения.
Для обеспечения эффективной деятельности и увеличения конкурентоспособности предприятия на рынке, необходимо грамотно использовать такой инструмент как прогнозирование, основанный на анализе и оценке состояния и перспектив развития спроса, предложения, цен, конкуренции на рынке, где действуют потенциальные партнеры и где предполагается функционирование предприятия.
Управление процессом прогнозирования спроса продукции предприятия является особо актуальной и значимой задачей, требующей пристального внимания и решения.
Данная работа выполняется в течение 2008-2009 гг по направлению кафедры АСУ. Работа связана с
научной программой по оптимизации процессов прогнозирования и планирования на предприятии.
Цель работы состоит в разработке компьютерной подсистемы прогнозирования спроса на оборудование для ТВ кабельных сетей в условиях предприятия ООО «Бета ТВ ком», разработке практических рекомендаций по управлению процессом прогнозирования спроса, с учетом специфики его функционирования в условиях растущей конкуренции.
Для решения данного задания можно выделить следующие задачи:
- проанализировать деятельность предприятия;
- исследовать специфику и особенности процесса прогнозирования, а также методов и средств прогнозирования спроса на продукцию предприятия;
- проанализировать существующие компьютерные системы и программные средства для прогнозирования спроса на продукцию;
- обосновать основные направления совершенствования управления процессом прогнозирования в контуре системы управления предприятием с применением современных компьютерных информационных технологий;
- формализовать поставленную задачу.
На предприятии ООО «Бета ТВ ком» еще не была разработана компьютерной подсистемы прогнозирования спроса на продукцию. Программные продукты, использующие традиционные методы прогнозирования обладают рядом существенных недостатков. К ним можно отнести: большую погрешность, а также необходимость использования для расчетов всех предыдущих значений входных переменных.
Планируемая новизна заключается в создании такого алгоритма, который будет использовать современные методы прогнозирования (нейронные сети), которые адаптированы к любым изменениям внешней и внутренней среды (сезонность, потребности потребителей, загрузка оборудования, материальные, трудовые, финансовые ресурсы, нестабильность в экономике страны и другие).
Практическая значимость работы заключается в разработке компьютерной подсистемы прогнозирования спроса на оборудование для ТВ кабельных сетей в условиях предприятия ООО «Бета ТВ ком». Данная подсистема будет учитывать сезонность, потребности потребителей, загрузку оборудования, материальные, трудовые, финансовые ресурсы, нестабильность в экономике страны и другие факторы.
В своей магисторской работе Пономаренко Игорь Валентинович «Разработка компьютерной подсистемы поддержки принятия решений в маркетинговой деятельности предприятия» исследовал маркетинговой деятельности предприятия, процессы планирования и прогнозирования на предприятиях.
Мною были рассмотрены и проанализированы статьи и публикации, такие как:
Эффективное прогнозирование спроса (комментарии: Ирина Марченкова, член Ассоциации производственной логистики, CPIM) // "ЛОГИСТИК & система". -
2007. - 5 мая.
Система моделей прогнозирования спроса на продукцию сферы услуг (комментарии: Егорова Н.Е., д.э.н., профессор, ЦЭМИ РАН, Мудунов А.С., профессор, заслуженный экономист РД Московский государственный индустриальный университет) // Корпоративный менеджмент . - 2007.
Мною были исследованы статьи и публикации:
Оценка и прогнозирование спроса с помощью панельных маркетинговых исследований. Источник: www.willbe.ru.
Среднесрочное прогнозирование спроса для целей стратегического управления. Источник: www.logistpro.ru
Человеческий мозг работает более эффективно и другим образом, чем любая вычислительная машина. Именно это побуждало ученых к изучению мозга, а в частности работу нейрона мозга – наименьшую частицу мозга человека.
К первым раскрыть секрет высокой эффективности мозга можно отнести Рамон-и-Кахаля (1911) [1], в своей работе он высказал идею о нейроне как о структурной единице мозга, но по исследованиям нейрон имеет на 5—6 порядков меньшую скорость срабатывания, чем полупроводниковый логический элемент. Высокая производительность достигается путем большого количества нейронов и связями между ними.
Сеть нейронов, образующая человеческий мозг, представляет собой высокоэффективную, комплексную, нелинейную, существенно параллельную систему обработки информации [2]. Она способна организовать свои нейроны таким образом, чтобы реализовать восприятие образа, его распознание или управление движением, во много раз быстрее, чем эти задачи будут решены самыми современными компьютерами [3].
Искусственная нейронная сеть является упрощенной моделью мозга. Она строится на основе искусственных нейронов, которые обладают пластичностью. Пластичность позволяет искусственной нейронной сети стать универсальной системой обработки информации. В общем случае искусственная нейронная сеть — это машина, моделирующая способ работы мозга. Обычно искусттвенная нейронная сеть реализуются в виде электронных устройств или компьютерных программ. Среди многих можно выделить определение искусственной нейронной сети как адаптивной машины, данное в [4]: искусственная нейронная сеть — это существенно параллельно распределенный процессор, который обладает естественной склонностью к сохранению опытного знания и возможностью предоставления его нам. Она сходна с мозгом в двух аспектах: знание приобретается сетью в процессе обучения, для сохранения знания используются силы межнейронных соединений, называемые также синаптическими весами.
Процедура, используемая для осуществления процесса обучения, называется алгоритмом обучения. Ее функция состоит в модификации синаптических весов искусственной нейронной сети определенным образом так, чтобы она приобрела необходимые свойства. Модификация весов является традиционным способом обучения искусственной нейронной сети. Такой подход близок к теории адаптивных линейных фильтров, которые уже давно и успешно применяются в управлении. Однако для искусственных нейронных сетей существует еще и возможность модификации собственной топологии, основывающаяся на том факте, что в живом мозге нейроны могут появляться, умирать и менять свои связи с другими нейронами.
Можно сделать вывод, что нейронные сети имеют такое широкое распространение и возможности из-за своей способности к обучению (пополнению знаний), а также за счет своей распределенной структуре.
Нейрон является элементарным функциональным модулем, который является аналогом функций преобразования (действия) нейрона головного мозга. Существуют разные модели нейронов, среди которых выделяют три основных: логические, непрерывные и импульсные. В структуре нейрона можно выдели три основных части:
Рисунок 1 - Структура нейрона |
Нейрон реализует функцию представленую ниже.
 |
(1) |
Нейроны объединяют в группы или слой. Один слой или несколько образуют нейронную сеть. Нейроны входного слоя получают сигналы, преобразуют их и потом передают нейронам скрытого слоя. Далее срабатывает следующий слой вплоть до выходного. Выходной слой выдает сигналы для пользователя. Каждый вывод нейронов любого слоя подается на вход всех нейронов следующего слоя. Число нейронов в слое может быть любым. Схема нейронной сети представлена на рисунке 2.
 Рисунок 2 - Передаточная функция |
ИНС могут обучаться, то есть улучшать свою работу под воздействием окружающей среды, изменяющей ее параметры. Существует множество определений термина «обучение», однако применительно к ИНС наиболее подходит следующее, данное Менделем и Маклареном[5]: обучение - это процесс, при котором свободные параметры нейронной сети адаптируются в результате ее непрерывной стимуляции внешним окружением. Тип обучения определяется тем способом, которым производятся изменения параметров.
В современной литературе кроме термина «обучение» также используются равноправные понятия «тренировка сети» и «настройка параметров сети».
При решении задач управления обычно используется контролируемое обучение ИНС, которое подразумевает наличие «учителя», который наблюдает реакцию сети и направляет изменения ее параметров.
Существует две разновидности контролируемого обучения: прямое контролируемое обучение и стимулируемое обучение. Так как первый вид появился раньше второго и более распространен, то обычно на него ссылаются просто как на контролируемое обучение.
ИНС изначально никакими знаниями не обладает. В процессе обучения «учитель» и сеть подвергаются воздействию со стороны внешней среды, то есть на их входы поступает тренировочный сигнал, совпадающий с одним из входных шаблонов. «Учитель» сообщает сети, какова должна быть правильная (желаемая) реакция на поступившее воздействие, выдавая соответствующий выходной шаблон. На основании величины ошибки между реальным и желаемым выходами сети по определенному правилу проводится настройка ее параметров. Повторяя этот процесс итеративно можно настроить ИНС так, что она будет эмулировать «учителя», то есть его знания о внешней среде перейдут к ней.
Типичными задачами, решаемыми с помощью прямого обучения, являются аппроксимация неизвестной функции, описываемой набором данных, и идентификация динамического объекта. В этих задачах известны входные сигналы и правильная реакция на них, то есть тренировочный набор шаблонов.
Наиболее известным методом прямого контролируемого обучения слойных прямонаправленных ИНС является алгоритм обратного распространения ошибки (backpropagation algorithm), представляющий собой обобщение метода наименьших квадратов.
Стимулируемое обучение не использует знания «учителя» о желаемом выходе ИНС, вместо этого обучение проводится по результату оценки проводимого сетью преобразования вход-выход. Оценку выполняет внешнее окружение после подачи на вход сети тренировочного воздействия. При этом настройка параметров ИНС проводится так, чтобы максимизировать скалярный индекс этой оценки, называемый стимулом (reinforcement signal).
Идея такого способа опирается на реальный процесс обучения, проходящий у живых существ. В психологии он известен, как закон действия Торндайка. Применительно к стимулируемому обучению ИНС этот закон может быть перефразирован следующим образом: если действие, предпринятое системой обучения, приводит к удовлетворительному результату, то тенденция системы проводить это же действие увеличивается (система стимулируется). В противном случае тенденция производить такое действие уменьшается.
Наиболее характерным примером системы стимулируемого обучения является адаптивная система управления. В ней обучаемой частью является контроллер, а объект управления, внешние воздействия и сигналы задания выступают его внешней средой. В результате воздействия из этой среды контроллер вырабатывает определенный управляющий сигнал, который переводит объект управления в новое состояние. При этом качество управления можно оценить лишь по выходному сигналу объекта. Так как требуемая реакция контроллера, обеспечивающая заданное состояние объекта, заранее неизвестна, то нельзя сформировать тренировочный набор шаблонов, и, следовательно, применить прямое контролируемое обучение. В этом случае возможно лишь стимулируемое обучение контроллера по качеству работы всей системы управления в целом, то есть по оценке состояния внешней среды.
Возможны две реализации стимулируемого обучения: с непосредственным стимулированием и с задержанным стимулированием. В первом случае оценка работы и соответствующая ей настройка параметров ИНС проводится на каждом шаге работы системы обучения. Во втором случае, при задержанном стимулировании настройка сети выполняется так, чтобы максимизировать кумулятивную оценку работы системы на определенной последовательности шагов.
Хотя непосредственное стимулирование более свойственно классическим схемам адаптивного управления, в последнее время большое внимание уделяется методам задержанного стимулирования. Для сходимости метода непосредственного стимулирования необходимо, чтобы каждое последующее положение внешней среды определялось лишь ее предыдущим положением и предыдущим воздействием, оказанным ИНС. При задержанном обучении такое ограничение снимается. С другой стороны, гораздо проще сформулировать критерий определяющий оптимальное поведение системы управления в целом, по результатам какого-то действия, чем критерий, направляющий ее движение на каждом шагу. В общем, можно заметить, что система, обучающаяся лишь по результатам своего взаимодействия с внешней средой, является более интеллектуальной, чем использующая дополнительную информацию "учителя".
Существует множество модификаций классического алгоритма обратного распространения ошибки для использования его как метода прямого или стимулируемого обучения ИНС. Однако существенной проблемой, возникающей при использовании его и других методов настройки параметров ИНС, основанных на методе наименьших квадратов или наискорейшего спуска, является их локальность. В то же время целевая функция (суммарная ошибка на тренировочном наборе шаблонов или кумулятивная оценка эффективности работы обучаемой системы) не унимодальная. Количество локальных оптимумов для большинства практических задач обучения исчисляется миллионами при размерности поискового пространства порядка 100-1000. Вследствие этого результат обучения зависит от правильности выбора стартовой точки, и возникает необходимость многократного повторения процедуры настройки параметров ИНС.
Перечисленные проблемы могут быть решены при использовании методов глобальной оптимизации. Наиболее эффективным из них является генетический алгоритм (ГА). Рассматривая ИНС как единый набор параметров, ГА способен осуществлять ее оптимальную настройку при размерности поискового пространства достаточной для решения большинства практических задач. При этом спектр рассматриваемых приложений гораздо превосходит возможности алгоритма обратного распространения ошибки.
В последние десять лет разработано множество способов контролируемого обучения ИНС с помощью ГА. Полученные результаты доказывают большие возможности такого симбиоза. Совместное использование ИНС и ГА алгоритмов имеет и идеологическое преимущество потому, что они относятся к методам эволюционного моделирования и развиваются в рамках одной парадигмы заимствования техникой природных методов и механизмов как наиболее оптимальных.
В результате проделанной работы, после постановки задачи, были проанализированы существующие программные пакеты, работающие в подобном направлении, методы для прогноза в условиях предприятия, их недостатки.
После детального анализа был выбран метод прогнозмрования на основе нейронных сетей, который дает наиболее точные и оптимальные прогнозы.
Разрабатываемая подсистема прогнозирования спроса на оборудование для ТВ кабельных сетей должна учитывать набор следующих факторов:
- сезонность;
- потребности потребителей;
- загрузка оборудования;
- материальные ресурсы;
- трудовые ресурсы;
- финансовые ресурсы;
- нестабильность в экономике страны.
После детального анализа можно привести приблизительную структуру нейронной сети для решения поставленной задачи.
Таким образом выделив основные входные параметры получили нейронную сеть, изображенную на рисунке 3.
 Рисунок 3 - Структура нейронной сети (анимация: объем -17,5 КБ , размер - 854x317 , количество кадров - 4,задержка между кадрами – 1000 мс; задержка между последним и первым кадрами – 1000 мс; количество циклов повторения – непрерывный цикл повторения) |
При написании данного автореферата магистерская работа еще не завершена. Окончательное завершение: 1 декабря 2009 г. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.