2. Актуальность темы

5. Предполагаемая научная новизна

6. Практическое значение полученных результатов

• исследованы и систематизированы теоретические сведения, касающиеся вопросов статистики;
• отобраны и проанализированы классические, наиболее популярные статистические методы прогнозирования;
• исследованы современные методы прогнозирования, основанные на нейронных сетях;
• исследован существующий программный пакет Matlab Simulink ;
• практическая значимость работы заключается в разработке программы, осуществляющей прогноз дохода телекоммуникационного предприятия на основе данных биллинговой системы.

7. Обзор исследований и разработок по теме

На локальном уровне (в пределах ДонНТУ) портал магистров может предоставить информацию о 15 подобных работах, в которых решаются разнообразные задачи прогнозирования, но конкретно задача прогнозирования доходов предприятия не рассматривается

При разработке алгоритма решения задачи учитывались такие требования как: отсутствие информации о возможных маршрутах прохождения трафика, быстрые изменения деловой среды рынка связи, связанные с развитием конкуренции, информационных технологий, возможность многовариантного моделирования производственных ситуаций. На рисунке 7.1 предложена схема взаимодействия оператора и абонента.

Рисунок 7.1 - Схема взаимодействия абонента и оператора с использованием биллинговой системы 

На национальном уровне (в пределах Украины) и на глобальном уровне (общемировой) было разработано и исследовано:

Регрессионно-когнитивное моделирование
Данный раздел посвящен исследованию нового класса регрессионно-когнитивных моделей (РКМ). Когнитивный подход к поддержке принятия управленческих решений ориентирован на то, чтобы активизировать интеллектуальные процессы эксперта и помочь ему зафиксировать свое представление о проблемной ситуации в виде формальной модели.

В качестве такой модели обычно используется так называемая когнитивная карта ситуации (А. Кулинич, Ф. Робертс, Д. Хейс), которая представляет известные эксперту основные законы и закономерности наблюдаемой ситуации в виде ориентированного знакового графа, в котором вершины графа – это факторы (признаки, характеристики ситуации), а дуги между факторами – причинно-следственные связи [8].

Графовая модель такой карты характеризуется наличием вершин-факторов и дуг, помеченных знаками «+» и «–». Такая разметка определяет положительные и отрицательные связи между факторами. Пример когнитивной карты некоторой ситуации для рынка телекоммуникационных услуг представлен на рисунке 7.2.

Рисунок 7.2 - Пример когнитивной карты ситуации

С учетом этих факторов создается модель исследуемой ситуации как совокупность гипотез, способных объяснить развитие системы. Кроме того, создаются гипотезы, способные объяснить механизмы влияния между теми или иными факторами системы и установить причинно-следственные связи между ними.

Такие взаимосвязи, как правило, не очевидны, поэтому возникает вопрос: существуют ли скрытые связи между различными факторами, какова «сила» этих связей и к чему приведут возможные количественные изменения для каждого из факторов. Ответ на эти и подобные вопросы имеет вполне определенное практическое значение, позволяющее предсказать экономические эффекты, свойственные той или иной ситуации, складывающейся на рынке телекоммуникационных услуг [8].

Для анализа и прогнозирования взаимовлияний телекоммуникационных факторов предлагается использовать методологию регрессионно-когнитивного моделирования, которая дополняет когнитивный граф ситуации механизмами регрессионного анализа. Весь процесс регрессионно-когнитивного моделирования можно разделить на несколько этапов, представленных на рисунке 7.3.

Рисунок 7.3 - Этапы регрессионно-когнитивного моделирования

На первом этапе регрессионно-когнитивного моделирования происходит представление всех имеющихся факторов в виде когнитивной карты, которая должна отражать общие представления о ситуации в виде определенных семантических категорий, под которыми понимаются признаки, факты, события, понятия, имеющие отношение к конкретной ситуации.

На следующем этапе на основе имеющихся данных проводится количественный анализ взаимных влияний в сконструированном полносвязном графе. Для этого создается регрессионная модель для каждого из имеющегося набора факторов.

Третий этап демонстрирует динамику развития РКМ, показывая хронологическую «борьбу» тенденций для сигнальной формы графа; вводит величину дельта t – интервал дискретизации, свойственного системе (так называемый принцип «?t» в имитационном моделировании).

Общая постановка задачи целевого управления в рамках РКМ связана с выделением целевой вершины-фактора, значение которого желательно повысить, понизить или «вписать» в определенный диапазон значений. При этом структура РКГ остается прежней, а задача поиска заключается в таком подборе коэффициентов – дуг графа, при котором реализуется желаемая цель.

Методология поиска решения в сочетании с РКМ в первую очередь полезна для моделирования варианта принимаемого решения, тактики или стратегии управления. Конструируемая модель поиска решения в совокупности с моделями РКМ позволит найти оптимальный вариант решения перехода от реального значения какого-либо фактора к желаемому, который может быть использован при принятии соответствующего решения.

Метод имитационного моделирования
Бизнес-процессы телекоммуникационных организаций классифицированы по трем категориям. К первой категории относятся бизнес-процессы, связанные с непосредственным предоставлением телекоммуникационных услуг абонентам и другим операторам. Ко второй категории относятся бизнес-процессы по организации системы расчетов с клиентами за предоставленные услуги. К третьей категории могут быть отнесены бизнес-процессы по оказанию услуг, выходящих за пределы профильной деятельности (информационно-справочные, сервисные и другие) [9].

В современных условиях управленческое моделирование бизнес-процессов становится не столько процессом сбора, анализа, обработки огромных массивов информации для выявления эффективного управленческого сценария, сколько процессом формирования и анализа проблемного поля по потенциальным рискам с целью повышения эффективности управления.

Одним из универсальных методов проведения "эксперимента" на предмет принятия рационального решения является имитационное моделирование, в процессе которого формируется статистика возможных выходных параметров деятельности [10].  

Применение данного метода позволяет использовать биллинговую систему для повышения обоснованности управленческих решений в телекоммуникационной компании, для разработки тарифных планов, для планирования и бюджетирования; даст возможность проанализировать ситуацию на новом наборе абонентов, услуг, измененной схеме маршрутизации вызовов. Далее на рисунке 7.4 приведен алгоритм формирования тарифов услуг организации.

Рисунок 7.4 - Алгоритм формирования тарифов услуг организации

В реальной жизни приходится сталкиваться с более сложными задачами; сложность принятия решения может быть обусловлена факторами ограниченности соединительных линий и факторами «тяготения» трафика.

Перед внедрением подобных тарифов необходимо провести специальное исследование, позволяющее правильно подобрать значения тарифов и добиться оптимального распределения нагрузки. Интеграция имитационной модели и системы биллинга позволила реализовать задачу рациональных взаиморасчетов операторов и клиентов.

С помощью метода функционального моделирования было произведено исследование процессов, проистекающих в системе, выявлены их недостатки и построена модель системы моделирования тарифных планов телекоммуникационной организации. Нагрузку оператора при взаимном использовании ресурсов для пропуска трафика можно представить в виде формулы:

(7.1)

где У - нагрузка,
- математическое ожидание показателя нагрузки,
 - среднеквадратичесоке отклонение показателя нагрузки,
Случ.число(-1,1) , i = 1…24
Имитационная модель поступления трафика и процесса тарификации представлена на рисунке 7.5

Рисунок 7.5 - Имитационная модель поступления трафика и процесса тарификации

Данная модель была разработана при использовании технологии структурного анализа и проектирования, позволяющей описать бизнес-процесс в виде иерархической системы взаимосвязанных функций, представленная модель отображает функциональную структуру объекта, производимые им действия и связи между этими действиями. Блоки в них представляют действия, а дуги – объекты, обрабатываемые системой [10].

Себестоимость транзитного трафика определяется как отношение разницы между расходами на пропуск трафика с учетом транзитного и без учета транзитного к количеству минут транзитного трафика.

Аналогичным образом можно рассчитать и уменьшение расходов по пропуску трафика при его перемаршрутизации через более «дешевые» узлы. На основе анализа трафика можно сделать выводы о непосредственной деятельности организации на будущие периоды, разработать тарифные планы, реализующие модель эффективности.

В результате изменения входных данных модели поступления трафика и процесса тарификации существует возможность разработать методику планирования деятельности организации на основании прогнозирования доходов и расходов организации.

С помощью подобной модели можно решить задачу повышения доходов организации и выравнивания нагрузки сети. Такая модель используется для разработки модуля планирования тарифных планов. Проведя подробное исследование услуг оказываемых операторами, можно промоделировать тарифные планы для абонентов и взаимодействующих операторов. Выходные данные используются для обоснования управленческих решений по определению оптимальной тарифной политики и стратегии развития предприятия.

Нейронные сети для решения задачи прогнозирования
Искусственная нейронная сеть - набор нейронов, соединенных между собой. Искусственный нейрон по своим свойствам напоминает биологический нейрон [11].

На вход искусственного нейрона поступает некоторое множество сигналов x1, x2,…, xn, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес w1, w2,…, wn, и поступает на суммирующий блок, обозначенный ?. Суммирующий блок, соответствующий телу биологического элемента, складывает взвешенные входы алгебраически, создавая выход – NET. Простейшей нейронной сетью считается персептрон, который изображен на рисунке 7.6. По своей структуре он аналогичен нейрону, но на его выходах находится некоторый анализатор. И в зависимости от значения сформированной суммы, выходное значение анализатора будет равно "1", если сумма больше порогового значения и "0", если меньше.

Рисунок 7.6 - Персептрон – простейшая нейронная сеть

Сегодня персептрон является одной из самых популярных реализаций нейронных сетей. Причиной его популярности является относительная простота реализации на фоне универсальности и широкого круга задач, которые могут решать персептроны.

Для решения более сложных задач используют многослойные нейронные сети. Но для обучения многослойных нейронных сетей требуются более сложные алгоритмы обучения нейронных сетей. Схема такой многослойной сети изображена на рисунке 7.7.

Рисунок 7.7 - Схема многослойной нейронной сети
(анимация: объём – 27,4 КБ; размер – 791x571; количество кадров – 4; задержка между кадрами – 2000 мс; задержка между последним и первым кадрами – 2000 мс; количество циклов повторения – непрерывный цикл повторения)

Искусственная нейронная сеть обучается посредством некоторого процесса, модифицирующего ее веса. Если обучение успешно, то предъявление сети множества входных сигналов приводит к появлению желаемого множества выходных сигналов. Имеется два класса обучающих методов: детерминистский и стохастический [12].

Детерминистский метод обучения шаг за шагом осуществляет процедуру коррекции весов сети, основанную на использовании их текущих значений, а также величин входов, фактических выходов и желаемых выходов.  Стохастические методы обучения выполняют псевдослучайные изменения величин весов, сохраняя те изменения, которые ведут к улучшениям.

Прогнозирование – это предсказание будущих событий. Целью прогнозирования является уменьшение риска при принятии решений. В большинстве случаев прогноз получается ошибочным, причем ошибка зависит от прогнозирующей системы и методов прогнозирования. Для уменьшения ошибки следует увеличивать количество ресурсов предоставляемых для прогноза. При некотором уровне ошибки можно добиться минимального уровня ресурсов для прогноза. Основной проблемой прогнозирования является выявление неточности прогноза. Обычно, решение, принимаемое на основании прогноза должно учитывать ошибку, о которой сообщает система прогнозирования. Таким образом, система прогнозирования должна обеспечить определение прогноза и ошибки прогнозирования.

Большинство задач прогнозирования можно свести к предсказанию временного ряда. Предсказание временного ряда сводится к типовой задаче нейроанализа – аппроксимации функции многих переменных по заданному набору примеров – с помощью процедуры погружения ряда в многомерное пространство (Weigend, 1994). Согласно теореме Такенса: "Если временной ряд порождается динамической системой, т.е. значения D0 есть произвольная функция состояния такой системы, существует такая глубина погружения d (примерно равная эффективному числу степеней свободы данной динамической системы), которая обеспечивает однозначное предсказание следующего значения временного ряда" (Sauer, 1991). Таким образом, выбрав достаточно большое d можно гарантировать однозначную зависимость будущего значения ряда от его предыдущих значений: Xt=?(Xt-d) , т.е. предсказание временного ряда сводится к задаче интерполяции функции многих переменных. Нейросеть далее можно использовать для восстановления этой неизвестной функции по набору примеров, заданных историей данного временного ряда [12].

Результатом прогноза на НС  является класс, к которому принадлежит переменная,  а не ее конкретное значение.  Формирование классов должно проводиться в зависимости  от того каковы цели прогнозирования. Общий подход состоит в том, что область  определения  прогнозируемой  переменной  разбивается  на классы  в  соответствии  с необходимой точностью прогнозирования. Классы могут представлять качественный или  численный  взгляд  на изменение переменной.

Прогнозирование на нейронных сетях обладает рядом недостатков. Как правило, необходимо около 100 наблюдений для создания приемлемой модели. Это достаточно большое число данных и существует много случаев, когда такое количество исторических данных недоступно. Однако необходимо отметить, что возможно построение удовлетворительной модели на нейронных сетях даже в условиях нехватки данных. Модель может уточняться по мере того, как свежие данные становится доступными.

Другим недостатком нейронных моделей – значительные затраты по времени и другим ресурсам для построения удовлетворительной модели, известно, что обучение сети может занимать довольно много времени. Однако, несмотря на перечисленные недостатки, модель обладает рядом достоинств. Существует удобный способ модифицировать модель по мере того как появляются новые наблюдения.

Применение нечеткой логики для решения задач прогнозирования
Прогнозирование материальных потоков промышленных предприятий предложено осуществлять на базе нечеткой логики, используя нечеткие знания и генетические алгоритмы. На рисунке 7.8 изображена логическая схема потоков промышленного предприятия

Рисунок 7.8 - Логическая схема потоков промышленного предприятия

Одним из направлений совершенствования работы современных промышленных предприятий является логистический подход к прогнозированию и управлению материальными потоками предприятия. В общем случае, материальный поток представляет собой динамическое и непрерывное явление. Для упрощения разработки модели прогнозирования и управления, исходя из логистической концепции, материальный поток рассматривается на коротком временном отрезке, что позволяет его характеризовать как временную статистическую величину.

Сложности построения моделей материальных потоков предприятий заключается в том, что между воздействующими факторами, как внешними, так и внутренними, существуют определенные, зачастую трудно выявляемые связи.
Материальный поток предприятия складывается из:

• входящего материального потока в виде потребляемых сырья, материалов, комплектующих изделий и т.д.;
• внутреннего материального потока между отдельными логистическими звеньями системы;
• выходящего материального потока в виде готовой продукции, товаров, услуг.

Нечеткие множества дают возможность формализовать величины, имеющие качественную основу, выявить причинно-следственные связи между регулируемыми параметрами и влияющими на них величинами и сформулировать нечеткий прогноз в условиях неопределенности параметров прогнозирования. Алгоритм построения математической модели, который изображен на рисунке 7.9, базируется на использовании теории нечеткой логики.

Рисунок 7.9 - Алгоритм построения математической модели

В соответствии с методами нечеткой логики выделяются основные этапы моделирования:

• Постановка задачи и построение дерева вывода, фазификация. Рассматривается объект типа

(7.2)

где n - число входов с показателями (xi, i=1:n) и одним выходом (y).

• С помощью экспертов формируется совокупность параметров, оказывающих влияние на прогнозируемую величину. Для каждого из параметров определяются лингвистические термы, дающие оценку данного параметра. Граф (дерево решений) отображает классификацию факторов (x1,x2,:xn), влияющих на прогнозируемый показатель (y). На этом же этапе осуществляется фазификация, т.е. выбор нечетких термов для лингвистической оценки факторов влияния.

• Построение базы нечетких знаний. Сюда заносятся результаты планируемого эксперимента.
• Построение функций принадлежности лингвистических переменных, которые задаются в параметрической форме [1]

(7.3)

• Формирование нечеткого логического вывода;
• Получение результатов моделирования, которое заключается в преобразовании нечеткого множества в четкое число (дефазификация). Процедура дефазификации является процедурой получения решения. При этом величина Y рассчитывается:

(7.4)

Для построения модели необходимо все параметры информационной базы привести к одному виду - качественному или количественному.

База нечетких знаний является носителем экспертной информации о причинно-следственной связи между входными и выходными данными. База знаний детерминирует систему логических выводов типа "если-то; если-или", которые связывают значения входных параметров Х1,:Хn с выходным параметром Y.

Формирование базы нечетких знаний начинается с процедуры формирования начальной выборки, имеющей своей целью подготовку необходимого массива статистических данных по исследуемому объекту.

Четкий прогноз материальных потоков современных предприятий затруднен по ряду причин объективного и субъективного характера. Представляется целесообразным прогнозирование материальных потоков осуществлять на базе методов нечеткой логики, используя нечеткие знания. Поставлена задача, структурирован процесс и разработана математическая модель прогнозирования материальных потоков промышленных предприятий на основе базы нечетких знаний.

Нечеткие числа, получаемые в результате “не вполне точных измерений”, во многом аналогичны распределениям теории вероятностей, но по сравнению с вероятностными методами, методы нечеткой логики позволяют резко сократить объем производимых вычислений, что, в свою очередь, приводит к увеличению быстродействия нечетких систем.

Недостатками нечетких систем являются:

• отсутствие стандартной методики проектирования и расчета нечетких систем;
• невозможность математического анализа нечетких систем существующими методами; применение нечеткого подхода по сравнению с вероятностным не приводит к повышению точности вычислений;
• увеличение входных переменных увеличивает сложность вычислений экспоненциально;
• как следствие предыдущего пункта, увеличивается база правил, что приводит к трудному ее восприятию.

Прогнозирование с использованием генетических алгоритмов
Впервые идея использования генетических алгоритмов для обучения (machine learning) была предложена в 1970-е годы. Во второй половине 1980-х к этой идее вернулись в связи с обучением нейронных сетей. Они позволяют решать задачи прогнозирования (в последнее время наиболее широко генетические алгоритмы обучения используются для банковских прогнозов), классификации, поиска оптимальных вариантов, и совершенно незаменимы в тех случаях, когда в обычных условиях решение задачи основано на интуиции или опыте, а не на строгом (в математическом смысле) ее описании. Использование механизмов генетической эволюции для обучения нейронных сетей кажется естественным, поскольку модели нейронных сетей разрабатываются по аналогии с мозгом и реализуют некоторые его особенности, появившиеся в результате биологической эволюции [13].

Основные компоненты генетических алгоритмов – это стратегии репродукций, мутаций и отбор "индивидуальных" нейронных сетей (по аналогии с отбором индивидуальных особей). Важным недостатком генетических алгоритмов является сложность для понимания и программной реализации. Однако преимуществом является эффективность в поиске глобальных минимумов адаптивных рельефов, так как в них исследуются большие области допустимых значений параметров нейронных сетей. Другая причина того, что генетические алгоритмы не застревают в локальных минимумах – случайные мутации.

Скорость сходимости градиентных алгоритмов в среднем выше, чем генетических алгоритмов. Генетические алгоритмы дают возможность оперировать дискретными значениями параметров нейронных сетей. Это упрощает разработку цифровых аппаратных реализаций нейронных сетей. При обучении на компьютере нейронных сетей, не ориентированных на аппаратную реализацию, возможность использования дискретных значений параметров в некоторых случаях может приводить к сокращению общего времени обучения [14].

8. Основное содержание работы

Первый раздел. Обзор поставленной задачи: Прогнозирование дохода предприятия (телефонной компании) на основе анализа данных, предоставляемых биллинговой системой. В данном разделе будут описаны методы решения, а также математическая постановка задачи и выводы. Тут же необходимо определить параметры, на основании которых может производиться прогнозирование.
Математическая постановка задачи. Доход является основным фактором экономического и социального развития для предприятия. Поэтому экономически обоснованное планирование дохода на предприятиях имеет очень большое значение.
Для решения нашей задачи мы берем, так называемый, валовой доход: без вычета налогов, зарплат сотрудникам, без вычета на постоянные либо одноразовые расходы. Мы суммируем все денежные средства, поступающие на счет предприятия от абонентов за потребленные услуги связи. Далее эту сумму будем называть «доходом». Таким образом, формула подсчета дохода телекоммуникационной компании имеет следующий вид:

(8.1)

9. Выводы

Современные тенденции развития рынка телекоммуникаций, связанные с постоянно и быстро растущим многообразием видов предоставляемых услуг связи и их объемов, ставят перед операторами связи все более сложные задачи по организации процесса предоставления этих услуг своим клиентам. К таким задачам относятся обеспечение гибкой системы учета и тарификации оказываемых услуг, выставления счетов и учета оплаты (что составляет основу биллинговых систем или АСР - автоматизированных систем расчетов); обеспечение учета потребностей клиентов в различного вида услуг (CRM); поддержка различных способов оплаты (предоплаты в различных формах, оплаты по выставленным счетам и т.п.), и др.

Были решены следующие задачи:

1. Обозначена необходимость эффективного управления телекоммуникационным трафиком с целью увеличения доходов оператора связи.
2. Проведен анализ существующих биллинговых систем, рассмотрены возможности сбора и хранения информации о трафике.
3. Осуществлен сравнительный анализ алгоритмов выявления скрытых закономерностей и предложен наиболее перспективный для анализа телекоммуникационного трафика.

10. Список литературы

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.

Важное замечание: При написании данного автореферата магистерская работа еще не завершена. Окончательное завершение - декабрь 2009 года. Полный текст работы и материалы по теме могут быть получени у автора или его руководителя после указанной даты.

Вверх