Підвищення ефективності прогнозування на залізничному транспорті
Жуковицький І.В., Пахомова В.М., Дмитрієв С.Ю.
В даний час залізничний транспорт зберігає провідне положення в загальному транспортному балансі вантажних перевезень нашої країни. Однак посилення конкуренції між видами транспорту може призвести до втрати залізницями частини ринку і до погіршення їх фінансово-економічного становища.
Цілком справедливим є твердження більшості вчених - економістів, про те, що висока інвестиційна складова з транспорту виправдовується тільки при ефективному його використанні. Ключовим моментом при аналізі та плануванні перевезень є можливість з максимальною точністю передбачати значення виробничих показників, що характеризують діяльність компанії. Інакше кажучи, завдання адекватного прогнозування набуває вирішальну значимість.
На щастя, сьогодні існує маса методів побудови прогнозів з високою точністю.
Розрізняють два основні види прогнозування: експертне і формалізоване.
Експертне прогнозування lt; # justify gt; Процес створення адаптивної нейронечіткої системи можна умовно розділити на наступні етапи: обробка вхідних даних, розробка системи, перевірка системи. У розробляється мережі ANFIS в якості вхідних даних використовувалися дані про час надходження та інтервали простою вантажних поїздів на станції П'ятихатки за певний період.
Перш ніж вводити дані в систему, необхідно було дізнатися, скільки попередніх значень знадобиться для виявлення закономірності появи надмірного простою. Відомо, що чим більше попередніх даних отримає система, тим точніше буде прогноз, але при цьому, структура системи надмірно ускладнюється, що призводить до значного збільшення часу обробки даних і навіть до зависання системи. Після ряду експериментів було виявлено, що мінімальним числом входів для знаходження необхідних закономірностей простоїв поїздів на станції П'ятихатки є число 6. Тобто системі потрібно не менше 6 входів для того, щоб передбачити неприпустимо довгий простій, який неодмінно здійснюється після 6-и значний мінімального простою. Загальна структура 6-входовую нечіткої нейронної мережі наведена на рис. 1.
Рисунок 1 - Загальна структура 6-входовую нечіткої нейронної мережі
Внутрішня структура створеної прогнозуючої системи показана на рис. 2.
Малюнок 2 - Структура спроектованої системи нечіткого виводу ANFIS
Послідовність створення нечіткої нейронної мережі ANFIS, призначеної для прогнозування періодів простою поїздів у середовищі Matlab, наступна: запуск ANFIS-редактора; завантаження навчальної вибірки; cоздание вихідної системи нечіткого логічного висновку в області генерації; виконання навчання мережі; тестування нечіткої системи з виведенням результатів в область візуалізації.
Для перевірки адекватної роботи системи взято 6 останніх значень навчальної вибірки і використано для отримання прогнозу. На базі отриманих даних побудовані графіки прогнозів періодів простою поїздів, які представлені на рис. 3.
Малюнок 3 - Прогноз періодів простою поїздів
З рис. 3 видно, що система видає прогноз, близький до реальних значень тільки перші три кроки. Потім похибка починає різко зростати, і прогноз швидше відображає загальну тенденцію, ніж показує реальну картину. Поліпшити здатність системи до прогнозування можливо збільшивши число входів системи (це розширить сферу пошуку закономірностей) і збільшивши навчальну вибірку, але для цього необхідно мати більш потужну апаратно-програмну базу і більш повну історію прибуття і простою поїздів на станції.
Ще один спосіб підвищення точності прогнозу - знайти модель, яка б доповнювала нейронечіткої систему і перекривала її недоліки. Такими моделями можуть стати регресія або генетичні алгоритми.
Література
1. Fogler H.R. A pattern recognition model for forecasting lt; http: //mansci.journal.informs/content/20/8/1178.full.pdfgt;// Management science. 1974, No.8.- P. 1178 - тисяча сто вісімдесят дев'ять.
. Rogelio Oliva, Noel Watson Managing Functional Biases in Organizational Forecasts: A Case Study of Consensus Forecasting in Supply Chain Planning//Mays Business School. 2007, 36р.
3. Чучуева І. Модель прогнозування часових рядів за вибіркою максимального подоби. Дисертація. lt;http://mbureau/articles/dissertaciya-o-prognozirovanii-vremennyh-ryadov-spisok-literaturygt;
. Пахомова В.Н. Розробка підсистеми оперативного прогнозування простоїв...
