|
Материалы

Проблема прогнозирования объемов продаж нефтепродуктов на предприятии ТЭК


Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию (результат). Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами.

Таким образом, нейронная сеть находит нелинейные зависимости между различными по своей природе сущностями. Этот аспект очень важен при прогнозировании, так как на прогноз влияет большое количество факторов трудно- или вообще не связанных друг с другом аналитически.

Выходные значения сети после обучения могут быть до некоторой степени нечувствительны к небольшим изменениям входных сигналов. Важно отметить, что искусственная нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью использования «человеческого интеллекта» в форме специально написанных компьютерных программ.

Видно, что каждый из предложенных подходов имеет свои достоинства и недостатки. Экспертные системы более прозрачны в логике объяснения прогноза, но в отличие от нейронных сетей сильно зависимы от знаний эксперта, а они к сожалению ограничены и подвержены субъективным явлениям. Нейронные сети могут находить такие взаимосвязи между данными, о которых человек (эксперт) может не подозревать. К сожалению и охват факторов для анализа у человека ограничен, в силу устроения интеллекта. Таким образом, в отличие от экспертных систем, нейронная сеть дает более объективную оценку, и предлагается для решения проблем связанных с тематикой статьи.

 

Предлагаемый метод для решения проблемы

В Белгородском государственном технологическом университете на кафедре «ПОВТиАС», в рамках дипломного проекта, была разработана

структура нейронной сети для прогнозирования продаж нефтепродуктов региональных сбытовых предприятий ТЭК. Даная структура изображена на рисунке 1.

Были исследованы факторы, исходя и благодаря которым изменяются те объемы продаж, которые сеть берется прогнозировать.

На конъюнктуру нефтяного рынка в той или иной степени влияют мировые финансовые тенденции и показатели. Об этом часто можно услышать из средств массовой информации. Не менее важную роль играет политический климат региона (страны), а так же наличие и добыча собственного сырья, а именно нефти. Безусловными факторами влияния также оказываются платежеспособность населения, погодные и климатические условия и различные менее явные качественные и количественные характеристики. Несмотря на все многообразие вышеуказанных факторов, их можно более четко классифицировать, а затем выявить наиболее значимые для потребления. Таким образом, было выявлено порядка 100 факторов (относящиеся к вышеупомянутым группам), которые в разной степени и с разной силой оказывают влияние на спрос и предложение топлива, а следовательно и на объемы продаж.

Рисунок 1 – Топология нейронной сети

 

На вход нейронной сети подается немногим более 100 параметров для каждого элемента обучающей выборки (ОВ), а на выходе требуется получать 4 значения, обработка которых и должна давать искомый прогнозируемый результат (по основным видам бензина). Таким образом, вследствие количества выходных данных формируется и выходной слой, где число выходов равно 4.

Исходя из большой разнородности входных данных, их необходимо тем или иным образом обобщить. Вследствие этого, введем 1-ый скрытый слой сети, в котором количество нейронов меньшее, чем количество входов. Этим действием производится некоторое обобщение разных по свойствам и изначальному порядку величин.

Тем не менее, в этом слое надо добиться того, чтобы получившееся обобщение не было равномерным и каждый нейрон, показывал ту или иную активность. Кроме того, если оставить один скрытый слой, то есть большой риск несходимости и т.н. паралича НС. Для разграничения обобщенных параметров, увеличения вероятности сходимости, вводится второй скрытый слой. Данный слой нейронов будет, в принципе, основным рабочим в структуре НС.

1 2 3
Общее время работы: 10.85901260376 мс
Использование памяти: 658 КБ