Прогнозирование с помощью нейронной сети

УЛЬЯНОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

Факультет управления

Кафедра таможенного дела и правового обеспечения ВЭД

Лабораторный практикум по дисциплине

«Информационные технологии в таможенном

деле»

На тему: «Прогнозирование с помощью нейронной сети»

Обучающийся   4    курса  

Группа ТД-О-20/2___ 

Специальность 38.05.02 Таможенное дело 

_Андриянов Лев Станиславович________ 

                                       ФИО полностью          

Руководитель:

Лутошкин Игорь Викторович 

                               ФИО полностью                    

г. Ульяновск, 2023 г.

Лабораторная работа №5

Прогнозирование с помощью нейронной сети Цель работы:

Освоение интеллектуального инструмента (СППР Deductor Studio), предназначенного для решения широкого спектра задач, связанных с обработкой структурированных и представленных в виде таблиц данных. научиться применять методы Data Mining для решения задач прогнозирования временных рядов на примере построения модели прогноза продаж.

Ход выполнения:

Сначала запускаем Deductor Studio Academic.

Открываем "Мастер импорта" с помощью клавиши F6 и загружаем текстовый файл "TradeNew".

Однако стоит отметить, что данные о количестве в файле представлены в нестандартном формате, что затрудняет последующие шаги. Поэтому мы изменяем разделитель между дробной и целой частью, заменяя его на точку.

Дойдя до 8 шага, убираем галочку с "Таблица" и выбираем "Диаграмма"  для просмотра исходной  информации и получаем следующую диаграмму:

Для анализа сезонности используем автокорреляцию. Заходим в "Мастер обработки", в разделе Data Mining выбираем "Автокорреляция", настраиваем параметры столбцов. Выбираем "Дата (Год + Месяц)" как неиспользуемый, а "КОЛИЧЕСТВО" как используемый. Задаем количество отсчетов "15" и активируем опцию "Включить поле отсчетов набора данных".

На четвертом шаге убираем галочку с "Таблица" и выбираем "Диаграмма". На пятом шаге снимаем галочку с "Лаг" и устанавливаем галочку на "Количество". Получаем зеленую диаграмму, где видно, что начальная корреляция равна единице, затем убывает, и затем виден пик зависимости от данных 12 месяцев назад, что свидетельствует о годовой сезонности.

Далее необходимо удалить аномалии и сгладить данные. Запускаем "Мастер обработки", выбираем частичную обработку. На втором шаге "Количество" делаем используемым, выбираем "Вычитание шумма: Фурьепреобразование" с малой степенью вычитания шума.

На четвертом шаге снимаем галочку с "Таблица" и выбираем "Диаграмма". Получаем спектральную обработку в виде диаграммы, где видно, что данные сгладились, аномалии и шумы исчезли, и также видна тенденция

Теперь перед аналитиком встает вопрос, а как, собственно, прогнозировать временной ряд. В данном случае столбец один. Строить прогноз на будущее необходимо, основываясь на данных прошлых периодов. Т.е. предполагается, что количество продаж на следующий месяц зависит от количества продаж за предыдущие месяцы. 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. Поэтому здесь явно необходимо трансформировать данные к скользящему окну.

Заходим в мастер обработки и выбираем "Скользящее окно".

На втором шаге поле  "Количество" делаем используемым, и ставим значение "Глубина погружения = 12", после чего получаем таблицу. На ней видно, что теперь в качестве входных факторов можно использовать «КОЛИЧЕСТВО - 12», «КОЛИЧЕСТВО - 11» - данные по количеству 12 и 11 месяцев назад (относительно прогнозируемого месяца) и остальные необходимые факторы. В качестве результата прогноза буден указан столбец «КОЛИЧЕСТВО».

Далее нам необходимо построить модель прогноза. В очередной раз заходим в мастер обработки, где выбираем "Нейронная сеть".  На втором шаге я выставил все характеристики следующим образом (смотреть фото). Количество - выходной. Количество 1,2,11, 12 - входное, все остальные поля - информационные.