Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала
В статье рассмотрены перспективы применения обучаемых искусственных нейронных сетей (ИНС) для статистического прогнозирования объемов грузовых перевозок в транспортной системе разноструктурных региональных грузопотоков. Для более объективной оценки перспектив применения ИНС результаты прогноза предс...
| Format: | Article |
|---|---|
| Language: | Russian |
| Published: |
Plekhanov Russian University of Economics
2017-11-01
|
| Series: | Статистика и экономика |
| Subjects: | |
| Online Access: | https://statecon.rea.ru/jour/article/view/1101 |
| _version_ | 1826559655573192704 |
|---|---|
| collection | DOAJ |
| description | В статье рассмотрены перспективы применения обучаемых искусственных нейронных сетей (ИНС) для статистического прогнозирования объемов грузовых перевозок в транспортной системе разноструктурных региональных грузопотоков. Для более объективной оценки перспектив применения ИНС результаты прогноза представлены в сравнении с результатами, полученными при прогнозировании методом экспоненциального сглаживания. При прогнозировании ИНС использовались три метода обучения: алгоритм Левенберга-Марквардта – обучение сети останавливается, когда обобщение перестает улучшается, что показывает увеличение средней квадратичной ошибки выходного значения; метод регуляризации Байеса – обучение сети останавливается в соответствии с минимизацией адаптивных весовых коэффициентов и метод масштабированных сопряженных градиентов, который используется для нахождения локального экстремума функции на основе информации о её значениях и градиенте. При прогнозировании использован пакет Neural Network Toolbox – нейросетевая модель состоит из скрытого слоя нейронов с сигмоидальной функцией активации и выходного нейрона с линейной функцией активации, на вход подаются значения временных динамических рядов, с выхода снимается прогнозируемое значение. Полученные результаты подтверждают целесообразность применения обучаемых искусственных нейронных сетей в случае сложнопрогнозируемых показателей грузоперевозок, имеющих неравномерный нелинейно меняющийся характер во временном динамическом ряду. |
| first_indexed | 2024-03-12T04:56:37Z |
| format | Article |
| id | doaj.art-4def037a506244a890ac2e191bbabefe |
| institution | Directory Open Access Journal |
| issn | 2500-3925 |
| language | Russian |
| last_indexed | 2025-03-14T09:03:50Z |
| publishDate | 2017-11-01 |
| publisher | Plekhanov Russian University of Economics |
| record_format | Article |
| series | Статистика и экономика |
| spelling | doaj.art-4def037a506244a890ac2e191bbabefe2025-03-02T12:41:01ZrusPlekhanov Russian University of EconomicsСтатистика и экономика2500-39252017-11-01051117Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала01Казанский национальный исследовательский технический университет им. А.Н. Туполева - КАИКазанский национальный исследовательский технический университет им. А.Н. Туполева - КАИВ статье рассмотрены перспективы применения обучаемых искусственных нейронных сетей (ИНС) для статистического прогнозирования объемов грузовых перевозок в транспортной системе разноструктурных региональных грузопотоков. Для более объективной оценки перспектив применения ИНС результаты прогноза представлены в сравнении с результатами, полученными при прогнозировании методом экспоненциального сглаживания. При прогнозировании ИНС использовались три метода обучения: алгоритм Левенберга-Марквардта – обучение сети останавливается, когда обобщение перестает улучшается, что показывает увеличение средней квадратичной ошибки выходного значения; метод регуляризации Байеса – обучение сети останавливается в соответствии с минимизацией адаптивных весовых коэффициентов и метод масштабированных сопряженных градиентов, который используется для нахождения локального экстремума функции на основе информации о её значениях и градиенте. При прогнозировании использован пакет Neural Network Toolbox – нейросетевая модель состоит из скрытого слоя нейронов с сигмоидальной функцией активации и выходного нейрона с линейной функцией активации, на вход подаются значения временных динамических рядов, с выхода снимается прогнозируемое значение. Полученные результаты подтверждают целесообразность применения обучаемых искусственных нейронных сетей в случае сложнопрогнозируемых показателей грузоперевозок, имеющих неравномерный нелинейно меняющийся характер во временном динамическом ряду.https://statecon.rea.ru/jour/article/view/1101статистический прогноз, обучаемые искусственные нейронные сети, метод экспоненциального сглаживания. |
| spellingShingle | Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала Статистика и экономика статистический прогноз, обучаемые искусственные нейронные сети, метод экспоненциального сглаживания. |
| title | Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала |
| title_full | Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала |
| title_fullStr | Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала |
| title_full_unstemmed | Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала |
| title_short | Перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала |
| title_sort | перспективы применения нейронных сетей для сложнопрогнозируемых показателей логистического потенциала |
| topic | статистический прогноз, обучаемые искусственные нейронные сети, метод экспоненциального сглаживания. |
| url | https://statecon.rea.ru/jour/article/view/1101 |