Нейроподібна структура для задач прогнозування в умовах коротких вибірок даних

Ключові слова: прогнозування; підвищення точності; мережі узагальненої регресії; мережі на основі радіальних базисних функцій; нейроподібні структури МПГП

Анотація

Задача прогнозування є однією із пріоритетних задач бізнесу. З ростом інструментарію прогнозування, а також із бурхливим розвитком потужностей комп'ютерної техніки цій задачі приділяють дедалі більше уваги. На сьогодні більшість менеджерів провідних компаній мають змогу застосовувати інформаційні системи на основі складного математичного апарату для аналізу даних. Проте проблема розуміння алгоритмів, закладених в основі таких інформаційних систем, а також правильний підбір моделі прогнозування є важливою проблемою, оскільки некоректні прогнози можуть призвести до прийняття неправильного рішення. Проблема поглиблюється у разі опрацювання недостатньої кількості даних, що характерно для розв'язання низки задач. Зокрема, для розв'язання задач прогнозування попиту на новий товар чи нову послугу організації, зокрема в системах електронної комерції, необхідна достатня кількість даних для реалізації процедур навчання. Проте їх невелика кількість, під час застосування наявних методів, призводить до неточних, некоректних прогнозів. Саме тому виникає потребу удосконалення наявних та пошуку нових рішень розв'язання задачі прогнозування в умовах коротких вибірок даних. У роботі запропоновано новий, розроблений авторами, інструмент обчислювального інтелекту для ефективного розв'язання цієї задачі. Описано нейроподібну структуру для підвищення точності розв'язання задач прогнозування в умовах коротких вибірок даних. ЇЇ побудовано з використанням штучної нейронної мережі узагальненої регресії та гібридної нейроподібної структури Моделі Послідовних Геометричних Перетворень з RBF ядром. Подано алгоритмічну реалізацію побудови методу подвоєння входів, що знаходиться в основі роботи системи. Проаналізовано процедури підбору оптимальних параметрів для її роботи. Проведено експериментальне моделювання роботи нейроподібної структури для розв'язання задачі прогнозування. Отримані результати показали високу точність її роботи. Ефективність використання розробленої структури підтверджено порівнянням її роботи з наявними – багатошаровим перцептроном, штучною нейронною мережею узагальненої регресії та машиною опорних векторів. Розроблена нейроподібна структура демонструє точність на основі MAPE відповідно у більше ніж 3, 6 та 10 разів вищу порівняно із відомими методами. Розроблену структуру можна використовувати у багатьох сферах, зокрема електронній комерції, бізнес-аналітиці, тощо.

Завантаження

Дані завантаження ще не доступні.

Афіліація авторів

P. B. Vitynskyi, Національний університет "Львівська політехніка", м. Львів

аспірант, кафедра інформаційних технологій видавничої справи

R. O. Tkachenko, Національний університет "Львівська політехніка", м. Львів

д-р техн. наук, професор, завідувач кафедри інформаційних технологій видавничої справи

Посилання

Bandara, K., et al. (2019). Sales Demand Forecast in E-commerce using a Long Short-Term Memory Neural Network Methodology. Retrieved from: https://arxiv.org/abs/1901.04028
Izonin, I., et al. (2018). The Combined Use of the Wiener Polynomial and SVM for Material Classification Task in Medical Implants Production. International Journal of Intelligent Systems and Applications, 10(9), 40–47. https://doi.org/10.5815/ijisa.2018.09.05
Khaikin, S. (2006). Neironnye seti: polnyi kurs. (2nd ed.). (Trans. from English). Moscow: Viliams, 1102 p. [In Russian].
Lin, C. S. (2013). Forecasting and analyzing the competitive diffusion of mobile cellular broadband and fixed broad-band in Taiwan with limited historical data. Econ. Model., 35, 207–213. https://doi.org/10.1016/j.econmod.2013.07.005
Tepla, T. L., et al. (2018). Alloys selection based on the supervised learning technique for design of biocompatible medical materials. Archives of Materials Science and Engineering, 1(93), 32–40.
Tkachenko, R., & Izonin, I. (2018). Model and Principles for the Implementation of Neural-Like Structures Based on Geometric Data Transformations. In Z. Hu, S. Petoukhov, I. Dychka, M. He (Eds), Advances in Computer Science for Engineering and Education. Advances in Intelligent Systems and Computing, 754, 578–587. Cham: Springer.
Tkachenko, R., Kutucu, H., et al. (2018). Non-iterative Neural-like Predictor for Solar Energy in Libya. In V. Ermolayev, M. C. Suárez-Figueroa, A. Ławrynowicz, R. Palma, V. Yakovyna, H. C. Mayr, M. Nikitchenko, & A. Spivakovsky (Eds), Proc. 14-th Int. Conf. ICT in Education, Research and Industrial Applications, May 14–17, 2018, (pp. 35–45). (Vol. 1). Kyiv. Retrieved from: CEUR-WS.org
Vitynskyi, P., et al. (2018). Hybridization of the SGTM Neural-like Structure through Inputs Polynomial Extension. Proceedings of the 2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP), August 21–25, 2018, (pp. 386–391). Lviv: Lviv Polytechnic Publishing House.

Переглядів анотації: 315
Завантажень PDF: 0
Опубліковано
2019-05-30
Як цитувати
Vitynskyi, P. B., & Tkachenko, R. O. (2019). Нейроподібна структура для задач прогнозування в умовах коротких вибірок даних. Науковий вісник НЛТУ України, 29(5), 147-150. https://doi.org/10.15421/40290529
Розділ
Інформаційні технології