Использование нейросетей для прогнозирования в среде Deductor Studio 5.3

Министерство науки и высшего образования Российской Федерации

Федеральное государственное бюджетное образовательное учреждение

высшего образования

Псковский Государственный университет

Институт инженерных наук

Кафедра информационно-коммуникационных технологий

Отчёт по лабораторной работе №1

«Использование нейросетей для прогнозирования в среде

Deductor Studio 5.3»

Выполнил ст. гр. 0432-03М

Алексеев А.В.

Проверил преподаватель

Иванченко Ю.В.

Псков

2021

Содержание

1.        Импорт исходных данных        4

2.        Обработка загруженных данных        4

3.        Построение прогноза временного ряда        5

4.        Построение модели прогноза        6

Вывод        9

Задание

У аналитика имеются данные о помесячном количестве проданного товара за несколько лет. Исходные данные по продажам находятся в файле "Trade.txt". Необходимо, основываясь на этих данных, определить, какое количество товара будет продано через месяц и через два месяца.

1. Выполнить импорт файла с исходными данными в Deductor Studio.
2. Выполнить предобработку загруженных данных: удаление аномалий и сглаживание данных.
3. Построить прогноз временного ряда.

1. Импорт исходных данных

В среде Deductor Studio 5.3 с помощью «Мастер импорта» импортировать файл Trade.txt.  

1. Открыть «Мастера импорта» и выбрать «Текстовый файл»
2. Последовательно пройти к шагу 7, нажать «Пуск» - запустить импорт данных.
3. В окне «шаг 8» необходимо установить флажок «Диаграмма» и флажок «Таблица».
4. Завершить импорт данных нажатием кнопки «Готово».

На представленной диаграмме (рис.1), построенной на основе исходных данных видно, что данные содержат аномалии-выбросы и шумы, не позволяющие выявить тенденцию. Следовательно, необходимо избавиться от аномалий и сгладить данные.

[pic 1]

Рис.1. Диаграмма исходных данных

1. Обработка загруженных данных

1. В Мастере обработки, выбрать «Спектральную обработку» и перейти на следующий шаг.
2. Выбрать поле для обработки «Количество» и указать назначение – Используемое. Указать способ обработки «Вычитание шума» (Степень вычитания шума – малая).
3. На следующем шаге запустить обработку, нажав на «Пуск».
4. На 4 шаге установить флажок «Диаграмма».
5. На 6 шаге завершить обработку с помощью кнопки «Готово».

Видно, что данные сгладились, аномалии и шумы исчезли, появилась тенденция (рис.2).

[pic 2]

Рис.2. Диаграмма спектральной обработки

1. Построение прогноза временного ряда

1. Строить прогноз временного ряда необходимо на основе данных прошлых периодов, т.е. количество продаж в следующем месяце зависит от количества продаж за предыдущие месяцы. Это значит, что входными факторами для модели могут быть продажи за текущий месяц, продажи за месяц ранее и т.д., а результатом должны быть продажи за следующий месяц. Такую возможность можно получить после трансформации данных к скользящему окну. Данная обработка создает новые столбцы путем сдвига данных исходного столбца вниз и вверх (глубина погружения и горизонт прогноза).
2. В Мастер обработки, выбрать в качестве обработчика «Скользящее окно».
3. Назначив поле «Количество» используемым, требуется выбрать Глубину погружения – 12 и далее продолжить пошаговые действия, трансформируя данные к скользящему окну, выбирая все необходимые для построения прогноза факторы. Результатом обработки будет таблица (рис.3) с дополнительными столбцами «Количество-12», «Количество-11», …, «Количество- 1», полученными в результате сдвига данных исходного столбца Количество.

[pic 3]

Рис.3 Данные, обработанные методом «Скользящее окно»

1. Построение модели прогноза

1. Запустить «Мастер обработки» и выбрать в нем «Нейросеть».
2. На 2 шаге Мастера обработки в качестве входных должны быть установлены поля «Количество-12», «Количество-11», …, «Количество-1», а в качестве выходного – «Количество». Поле Дата необходимо сделать информационным.
3. На следующем шаге стоит указать разбиение исходного набора данных на обучающее и тестовое подмножества (95% и 5%).
4. Переход к следующему шагу, на котором отметить необходимое количество скрытых слоев (1) и нейронов в скрытом слое (2).
5. Перейти далее и оставить выбранный по умолчанию алгоритм обучения нейросети.
6. На 7 шаге запустить процесс обучения нейросети (рис.4).

[pic 4]

Рис.4. Обучение нейросети

Граф обученной нейросети представлен на рисунке 5.

[pic 5]

Рис.5. Граф обученной нейросети

1. Представление полученных данных в виде Диаграммы и Диаграммы рассеяния. В Мастере настроить столбцы диаграммы: выбрать для отображения поля «Количество» и «Количество_OUT» - реальное и спрогнозированное значение. Диаграмма рассеяния более наглядно показывает качество обучения (рис.6.).

[pic 6]

Рис.6. Диаграмма рассеивания

1. Необходимо получить требуемый прогноз обученной нейросети. В Мастере обработки и выбрать обработчик «Прогнозирование».
2. На 2 шаге Мастера настроить связи столбцов для прогнозирования временного ряда: откуда необходимо брать данные для столбца при очередном шаге прогноза. Оставить связи, установленные Мастером по умолчанию, и указать «Горизонт прогноза» (на сколько периодов вперед будем прогнозировать) равный 3 и добавить к прогнозу исходные данные.
3. Далее необходимо в качестве визуализатора для отображения данных выбрать «Диаграмму прогноза». Далее необходимо настроить столбцы диаграммы прогноза: указать в качестве отображаемого столбец «Количество», а в качестве подписей по оси Х указать столбец «Шаг прогноза». На Диаграмме прогноза (рис. 7.) отображено количество товаров, которое будет продано в следующем месяце и два месяца спустя.

[pic 7]

Рис.7. Диаграмма прогноза продажи товара в последующие два месяца

Шаг прогноза        Количество

1 месяц                 1 750 000