Использование нейросетей для прогнозирования в среде Deductor Studio 5.3
Автор: leonkennedy • Сентябрь 12, 2023 • Лабораторная работа • 839 Слов (4 Страниц) • 154 Просмотры
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.
- Выполнить импорт файла с исходными данными в Deductor Studio.
- Выполнить предобработку загруженных данных: удаление аномалий и сглаживание данных.
- Построить прогноз временного ряда.
Импорт исходных данных
В среде Deductor Studio 5.3 с помощью «Мастер импорта» импортировать файл Trade.txt.
- Открыть «Мастера импорта» и выбрать «Текстовый файл»
- Последовательно пройти к шагу 7, нажать «Пуск» - запустить импорт данных.
- В окне «шаг 8» необходимо установить флажок «Диаграмма» и флажок «Таблица».
- 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
Обработка загруженных данных
- В Мастере обработки, выбрать «Спектральную обработку» и перейти на следующий шаг.
- Выбрать поле для обработки «Количество» и указать назначение – Используемое. Указать способ обработки «Вычитание шума» (Степень вычитания шума – малая).
- На следующем шаге запустить обработку, нажав на «Пуск».
- На 4 шаге установить флажок «Диаграмма».
- 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
Построение прогноза временного ряда
- 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).
- В Мастер обработки, выбрать в качестве обработчика «Скользящее окно».
- 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»
Построение модели прогноза
- Запустить «Мастер обработки» и выбрать в нем «Нейросеть».
- 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.
- На следующем шаге стоит указать разбиение исходного набора данных на обучающее и тестовое подмножества (95% и 5%).
- Переход к следующему шагу, на котором отметить необходимое количество скрытых слоев (1) и нейронов в скрытом слое (2).
- Перейти далее и оставить выбранный по умолчанию алгоритм обучения нейросети.
- 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
- 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
- Необходимо получить требуемый прогноз обученной нейросети. В Мастере обработки и выбрать обработчик «Прогнозирование».
- 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.
- 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
...