Повышение эффективности прогнозирования на железнодорожном транспорте

Размещено на http://www.allbest.ru/

Повышение эффективности прогнозирования на железнодорожном транспорте

Жуковицкий И.В., Пахомова В.Н., Дмитриев С.Ю.

В настоящее время железнодорожный транспорт сохраняет ведущее положение в общем транспортном балансе грузовых перевозок нашей страны. Однако усиление конкуренции между видами транспорта может привести к потере железными дорогами части рынка и к ухудшению их финансово-экономического положения.

Вполне справедливым является утверждение большинства ученых - экономистов, о том, что высокая инвестиционная составляющая по транспорту оправдывается только при эффективном его использовании. Ключевым моментом при анализе и планировании перевозок является возможность с максимальной точностью предсказывать значения производственных показателей, характеризующих деятельность компании. Иначе говоря, задача адекватного прогнозирования приобретает решающую значимость.

К счастью, сегодня существует масса методов построения прогнозов с высокой точностью.

Различают два основных вида прогнозирования: экспертное и формализованное.

Экспертное прогнозирование подразумевает формирование будущих значений экспертом, т.е. человеком, обладающим глубокими знаниями в определенной области. Эксперт при этом часто использует математический аппарат, однако в данном виде прогнозирования математический аппарат является лишь вспомогательным вычислительным инструментом. Экспертное прогнозирование применяется тогда, когда объект прогнозирования либо слишком прост, либо, напротив, настолько сложен, что аналитически учесть влияние внешних факторов невозможно. К таким методам относятся следующие методы: экспертных оценок, исторических аналогий, предвидения по образцу, нечеткая логика, сценарное моделирование «что - если».

Формализованное прогнозирование - это прогнозирование на основании математической модели, которая, улавливая закономерности процесса, на своем выходе формирует будущие значения исследуемого процесса. Математических моделей прогнозирования довольно много, например, согласно ряду обзоров в настоящее время насчитывается свыше 100 классов моделей прогнозирования. Число общих классов моделей, которые в тех или иных вариациях повторяются в других, конечно, гораздо меньше и сводится к дюжине: регрессионные модели (regression model), авторегрессионные модели (auto regressive model, AR), нейросетевые модели (artificial neural network, ANN), модели экспоненциального сглаживания (exponential smoothing, ES), модели на базе цепей Маркова (Markov chain), классификационно-регрессионные деревья (classification and regression trees, CART), метод опорных векторов (support vector machine, SVM), генетический алгоритм (genetic algorithm, GA), модель на основе передаточных функций (transfer function, TF), формализованная нечеткая логика (fuzzy logic, FL), фундаментальные модели.

Ни одна из вышеперечисленных формализованных моделей прогнозирования, несмотря на ряд достоинств, не может дать абсолютно точного прогноза. Поэтому возникает необходимость в поиске и внедрении методов повышения точности прогноза. В настоящее время существуют два проверенных пути повышения точности прогнозирования. Первый путь состоит в последовательном применении двух моделей, второй путь - в параллельном использовании двух моделей.

Способ первый: кластеризация и последующее прогнозирование. Применение кластеризации, т.е. разбиение временного ряда на гомогенные отрезки, в задачах прогнозирования было предложено давно. Так, в [1] предложено прогнозирование временных рядов разбить на два этапа: кластеризация и затем прогнозирование внутри кластера. По сути дела такой подход является комбинацией двух различных моделей временных рядов - первая модель определяет кластер, вторая прогнозирует внутри кластера. Этот подход чрезвычайно популярен.

Способ второй: консенсус-прогноз. В [2] утверждается, что прогноз, полученный как комбинация нескольких независимых прогнозов, позволяет повысить точность прогнозирования. При формировании консенсус-прогноза в расчет принимаются два и более прогноза, выполняемых независимыми организациями или моделями. Доказано [3], что точность консенсус-прогноза может быть выше точности каждого из прогнозов, принимаемых во внимание. железнодорожный транспорт поезд финансовый

В работе [4] для прогнозирования времени простоя грузовых поездов станции Пятихатки использовалась нейронечеткая система ANFIS, которая использовала консенсус-модель из нейронной сети и нечеткой логики.

Нечеткие нейронные сети или гибридные сети призваны объединить в себе достоинства нейронных сетей и систем нечеткого вывода. Они позволяют разрабатывать и представлять модели систем в форме правил нечетких продукций, а для построения правил нечетких продукций используются возможности нейронных сетей. ANFIS (Adaptive-Network-Based Fuzzy Inference System) - адаптивная сеть нечеткого вывода, предложенная Янгом (Jang), реализованная в пакете расширения Fuzzy Logic Toolbox (пакет нечеткой логики) системы MATLAB. ANFIS является одним из первых вариантов гибридных нейронечетких сетей, архитектура которой изоморфна нечеткой базе знаний. В нейронечетких сетях используются дифференциальные реализации треугольных норм, а также гладкие функции принадлежности [5].

Процесс создания адаптивной нейронечеткой системы можно условно разделить на следующие этапы: обработка входных данных, разработка системы, проверка системы. В разрабатываемой сети ANFIS в качестве входных данных использовались данные о времени поступления и интервалы простоя грузовых поездов на станции Пятихатки за определенный период.

Прежде чем вводить данные в систему, необходимо было узнать, сколько предыдущих значений понадобится для выявления закономерности появления чрезмерного простоя. Известно, что чем больше предварительных данных получит система, тем точнее будет прогноз, но при этом, структура системы чрезмерно усложняется, что приводит к значительному увеличению времени обработки данных и даже к зависанию системы. После ряда экспериментов было обнаружено, что минимальным числом входов для нахождения необходимых закономерностей простоев поездов на станции Пятихатки является число 6. То есть системе нужно не менее 6 входов для того, чтобы предусмотреть недопустимо долгий простой, который непременно осуществляется после 6-и значений минимального простоя. Общая структура 6-входовой нечеткой нейронной сети приведена на рис. 1.

Рисунок 1 - Общая структура 6-входовой нечеткой нейронной сети

Внутренняя структура созданной прогнозирующей системы показана на рис. 2.

Рисунок 2 - Структура спроектированной системы нечеткого вивода ANFIS

Последовательность создания нечеткой нейронной сети ANFIS, предназначенной для прогнозирования периодов простоя поездов в среде Matlab, следующая: запуск ANFIS-редактора; загрузка обучающей выборки; cоздание исходной системы нечеткого логического вывода в области генерации; выполнение обучения сети; тестирование нечеткой системы с выводом результатов в область визуализации.

Для проверки адекватной работы системы взято 6 последних значений обучающей выборки и использовано для получения прогноза. На базе полученных данных построены графики прогнозов периодов простоя поездов, которые представлены на рис. 3.

Рисунок 3 - Прогноз периодов простоя поездов

Из рис. 3 видно, что система выдает прогноз, близкий к реальным значениям только первые три шага. Потом погрешность начинает резко возрастать, и прогноз скорее отражает общую тенденцию, нежели показывает реальную картину. Улучшить способность системы к прогнозированию возможно увеличив число входов системы (это расширит сферу поиска закономерностей) и увеличив обучающую выборку, но для этого необходимо иметь более мощную аппаратно-программную базу и более полную историю прибытия и простоя поездов на станции.

Еще один способ повышения точности прогноза - найти модель, которая бы дополняла нейронечеткую систему и перекрывала ее недостатки. Такими моделями могут стать регрессия или генетические алгоритмы.

Литература

1. Fogler H.R. A pattern recognition model for forecasting // Management science. 1974, No.8. - P. 1178 - 1189.

2. 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 И. Модель прогнозирования временных рядов по выборке максимального подобия. Диссертация.

4. Пахомова В.Н. Разработка подсистемы оперативного прогнозирования простоев прибывающих поездов на основе системы ANFIS/ Пахомова В.Н., Дмитриев С.Ю. // Информационно-управляющие системы на железнодорожном транспорте. - 2013.

5. Marcian N. Cirstea. Neural and Fuzzy Logic Control of Drives and Power Systems [Текст] // Marcian N. Cirstea, Andrei Dinu, Jeen G. Khor, Malcolm McCormick. - Newnes, 2002. - 400 p.

Размещено на Allbest.ru