Прогноз и цели его использования. Методы прогнозирования

Методы прогнозирования можно разделить на два класса качественные и количест­венные, в зависимости от того, какие математические методы используются. Полная класси­фикация методов прогнозирования и области их применения отражены в табл. З^[XXVIII].

Качественные процедуры производят субъективную оценку, основанную на мнении экспертов. Обычно, это формальная процедура для получения обобщенного предсказания, на основе ранжирования и обобщения мнения экспертов (например, метод Дельфи). Эти проце­дуры основываются на опросах, тестах, оценке эффективности продаж и исторических дан­ных, но процесс, с помощью которого получается прогноз, остается субъективным.

Количественные процедуры прогнозирования явно объявляют, каким образом полу­чен прогноз. Четко видна логика и понятны математические операции. Эти методы произво­

дят исследование исторических данных для того, чтобы определить глубинный процесс, ге­нерирующий переменную. Предположив, что процесс стабилен, можно использовать знания о нем для экстраполяции процесса в будущее. К количественным процедурам прогнозирова­ния относятся методы, основанные на статистическом анализе, анализе временных последо­вательностей, байесовском прогнозировании, наборе фрактальных методов, нейронных се­тях.

В настоящее время используется два основных типа моделей: модели временных по­следовательностей и причинные модели.

Временная последовательность — это упорядоченный во времени набор наблюдений переменной. Анализ временных последовательностей использует для прогнозирования пе­ременной только исторические данные о ее изменении.

модели.

Причинные модели используют связь между временной последовательностью и од­ной или более другими временными последовательностями. Если эти другие переменные коррелируют с интересующей нас переменной и существуют причины для этой корреляции, модели, описывающие эти отношения, могут быть очень полезными. Зная значение коррели­рующих переменных, можно построить модель прогноза зависимой. Серьезным ограничени­ем использования причинных моделей является требование того, чтобы независимая пере­менная была известна ко времени, когда делается прогноз. Другое ограничение причинных

методов — большое количество необходимых вычислений и данных.

Практически прогнозирующие системы часто используют комбинацию количествен­ных и качественных методов. Количественные методы используются для последовательного анализа исторических данных и формирование прогноза

- 54-

Таблица 2

Виды прогнозов по горизонту и цели их использования

-55-

Таблица З

Методы прогнозирования и области их применения

Это придает системе объективность и позволяет эффективно организовать обработку исторических данных. Данные прогноза далее становятся входными данными для субъек­тивной оценки опытными менеджерами, которые могут модифицировать прогноз в соответ­ствии с их взглядами на информацию и их восприятие будущего

На выбор соответствующего метода прогнозирования, влияют следующие факторы: требуемая форма прогноза; горизонт, период и интервал прогнозирования; доступность дан­ных; требуемая точность, поведение прогнозируемого процесса; стоимость разработки, уста­новки и работы с системой; простота работы; понимание и сотрудничество управляющих.

Прогнозирование на основе нейронных сетей. Задача прогнозирования с помощью нейронных сетей формализуется через задачу распознавания образов. Данные о прогнози­руемой переменной за некоторый промежуток времени образуют образ, класс которого оп­ределяется значением прогнозируемой переменной в некоторый момент времени за предела­ми данного промежутка. Один из методов организации данных — метод окон, который предполагает использование двух окон Wi и Wo с фиксированными размерами. Эти окна способны перемещаться с некоторым шагом по временной последовательности данных, при­чем окно Wi, передает данные на вход сети, a Wo — на выход. Получающаяся на каждом шаге пара Wi^Wo используется как элемент обучающей выборки.

Каждый следующий вектор получается в результате сдвига окон Wi и Wo на один элемент вперед по временному ряду Нейронная сеть, обучаясь на этих наблюдениях и на­страивая свои коэффициенты, пытается извлечь закономерности и сформировать требуемую функцию прогноза. Прогнозирование осуществляется по тому же принципу, что и формиро­вание обучающей выборки При этом выделяются две возможности: одношаговое и много­шаговое прогнозирование.

Многошаговое прогнозирование используется для осуществления долгосрочного про­гноза и предназначено для определения основного тренда и главных точек изменения тренда

для некоторого промежутка времени в будущем. При этом прогнозирующая система исполь­

зует полученные выходные данные для моментов времени к+1, к+2 и т.д. в качестве входных данных для прогнозирования на моменты времени к+2, к+3 и т.д.

Одношаговое прогнозирование используется для краткосрочных прогнозов. Осущест­вляется прогноз только на один шаг вперед, но используется реальное, а не прогнозируемое

значение для осуществления прогноза на следующем шаге. Схема многошагового и одноша­гового прогнозирования представлена на рис. 11.

Рис. 11. Схема многошагового и одношагового прогнозирования

Результатом прогноза на нейросетевой модели является класс, к которому принадле­жит переменная, а не ее конкретное значение.

Прогнозирование на основе нейронных сетей обладает рядом недостатков. Необходи­мо 50-100 наблюдений для создания приемлемой модели. Это достаточно большое число данных и иногда такое количество данных недоступно (особенно для сезонных показателей). Однако необходимо отметить, что есть вероятность построить удовлетворительную нейросе­тевую модель даже в условиях нехватки данных. Модель может уточняться по мере того, как

появляются новые данные.

Другой недостаток нейросетевых моделей — значительные затраты по времени и дру­гим ресурсам для построения удовлетворительной модели. Данная проблема решается бла­годаря использованию более современных и быстрых вычислительных средств.

Несмотря на перечисленные недостатки, нейросетевые модели обладают рядом дос­тоинств. Существует удобный способ модифицировать модель, по мере того как появляются

новые наблюдения. Модель хорошо работает с временными последовательностями, в кото­рых мал интервал наблюдений. Эти модели также используются в ситуациях, когда необхо­димо анализировать небольшое число временных последовательностей.

2.2,