Повышение эффективности прогнозирования на железнодорожном транспорте
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
<#"803959.files/image001.gif">
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
<http://mansci.journal.informs.org/content/20/8/1178.full.pdf> //
Management science. 1974, No.8. - P. 1178 -
1189.
. 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.
.
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
<http://www.ozon.ru/context/detail/id/1766720/>. Neural and Fuzzy Logic
Control of Drives and Power Systems [Текст] // Marcian N. Cirstea, Andrei Dinu,
Jeen G. Khor, Malcolm McCormick
<http://www.ozon.ru/context/detail/id/1766720/>. - Newnes
<http://www.ozon.ru/context/detail/id/1947193/>, 2002. - 400 p.