Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала

2017

Статистика и экономика, Vol 0, Iss 5 (2017)

В статье рассмотрены перспективы применения обучаемых искусственных нейронных сетей (ИНС) для статистического прогнозирования объемов грузовых перевозок в транспортной системе разноструктурных региональных грузопотоков. Для более объективной оценки перспектив применения ИНС результаты прогноза представлены в сравнении с результатами, полученными при прогнозировании методом экспоненциального сглаживания. При прогнозировании ИНС использовались три метода обучения: алгоритм Левенберга-Марквардта – обучение сети останавливается, когда обобщение перестает улучшается, что показывает увеличение средней квадратичной ошибки выходного значения; метод регуляризации Байеса – обучение сети останавливается в соответствии с минимизацией адаптивных весовых коэффициентов и метод масштабированных сопряженных градиентов, который используется для нахождения локального экстремума функции на основе информации о её значениях и градиенте. При прогнозировании использован пакет Neural Network Toolbox – нейросетевая модель состоит из скрытого слоя нейронов с сигмоидальной функцией активации и выходного нейрона с линейной функцией активации, на вход подаются значения временных динамических рядов, с выхода снимается прогнозируемое значение. Полученные результаты подтверждают целесообразность применения обучаемых искусственных нейронных сетей в случае сложнопрогнозируемых показателей грузоперевозок, имеющих неравномерный нелинейно меняющийся характер во временном динамическом ряду.

article

Russian

Plekhanov Russian University of Economics, 2017.

статистический прогноз, обучаемые искусственные нейронные сети, метод экспоненциального сглаживания., Economics as a science, HB71-74