Тема: ИССЛЕДОВАНИЕ МОДЕЛИ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ ЕСТЕСТВЕННОГО ПРИРОСТА НАСЕЛЕНИЯ

В основе любого социального прогноза и планирования всегда лежат демографическое прогнозирование. Что бы люди ни планировали на будущее: развитие производства товаров, любые социальные процессы — всегда необходимо узнать количество и состав их участников, так как это оказывает сильное влияние на многие социальные процессы.
Поэтому в современном мире возрастает роль моделирования и прогнозирования динамической информации, представленной временными рядами социально-экономических явлений и процессов.
Исследование естественного прироста населения может послужить изменением курса демографической политики в ее субъектах, разработок региональных планов по улучшению демографической ситуации, а также в планировании социально-экономических процессов.
Целью данной работы является построение прогноза и оценка эффективности прогнозирования временного ряда посредством модели нейронной сети многослойного персептрона прямого распространения.
Выделим следующие задачи исследования.
1. Изучить литературу и основные понятия, которые потребуются для прогнозирования с помощью нейронных сетей;
2. Выбрать и исследовать модель нейронной сети;
3. Написать программу на языке Matlab для прогнозирования временного ряда и протестировать ее;
4. Проанализировать полученные результаты, сделать вывод о том, насколько метод нейронных сетей подходит для прогнозирования временных рядов.
5. Оформить необходимую документацию.
В первом разделе работы проводится обзор литературы, описываются понятия временного ряда и нейронной сети; раскрывается содержание метода нейронной сети, подробно описывается алгоритм, выбранный для прогнозирования, а также приводятся примеры современного применения искусственной нейронной сети.
Во втором разделе описывается выбранная модель нейронной сети (Многослойный персептрон прямого распространения) и алгоритм обучения (Левенберга-Марквардта).
В третьем разделе дается описание процедуры построения прогноза для временных рядов на примере статистических данных о естественном приросте населения РФ в программе Matlab с помощью метода нейронных сетей. Также приводится результаты тестирования программы еще для нескольких временных рядов.
Для нахождения параметров, проведения тестов и прогноза использовались пакет Microsoft Excel и приложение Matlab.
Купить

Для решения конкретной задачи прогнозирования временного ряда с помощью модели многослойного персептрона прямого распространения в ходе работы был выбран алгоритм обучения и значения количества нейронов в скрытом слое. Разработана программа в среде Matlab, моделирующая модель многослойного персептрона прямого распространения. Результатами работы программы являются данные спрогнозированных временных рядов. С помощью нее был получен прогноз естественного прироста населения на 2017 г. с помощью нейронной сети, а также спрогнозированы значения на 2017 г еще в нескольких примерах временных рядов. Ошибка первого прогноза составила 0,0253, а средняя ошибка - 0,0244, что говорит о высокой точности полученного прогноза. Это показывает эффективность применения модели нейронной сети многослойного персептрона для прогнозирования временного ряда.
Все поставленные задачи выполнены и полученные прогнозы удовлетворяют заявленным требованиям.
Самый лучший прогноз получен на выходе нейронной сети с 72 нейронами в скрытом слое и обученной по алгоритму Левенберга-Марквардта. Также, если оценивать вычислительную сложность алгоритмов обучения, то очевидно стоит отдать предпочтение этому же алгоритму. Поэтому и с точки зрения качества прогноза, и с точки зрения эффективности, для рассматриваемой задачи нейронная сеть, обучаемая с помощью вышеуказанного алгоритма, имеет явное преимущество. Полученную ошибку прогноза (2,53%) можно считать приемлемой.
Алгоритм Левенберга-Марквардта является одним из наилучших алгоритмов, который используется при обучении нейронной сети для решения задачи прогнозирования с использованием минимума входной информации.
Еще одним важным заключением данной работы является то, что удалось получить довольно точные прогнозы, используя минимум входной информации. Имеется в виду то, что как описывалось ранее, на вход сети подается лишь время, и все особенности ряда (тренд, циклическая и случайная составляющая), а так же внешние факторы, влияющие на поведение временного ряда, не учитываются. И, тем не менее, полученный прогноз говорит о том, что нейронная сеть способна восстанавливать функцию без дополнительной информации, которая зачастую может быть вовсе неизвестна. В этом заключается несомненное преимущество нейронной сети по сравнению с другими способами прогнозирования. Но в данном случае следует говорить о краткосрочном прогнозировании. Это обусловлено первым делом отсутствием какой-либо вспомогательной информации, помимо времени, которая, безусловно, повысила бы точность полученного прогноза. А во-вторых, сеть получает прогнозируемые значения последовательно, то есть вновь полученный прогноз зависит, в том числе, и от предыдущих полученных значений, которые не могут быть гарантированно точными. Поэтому с каждой итерацией, ошибка получаемого прогноза
увеличивается. А первые прогнозируемые значения получаются с высокой точностью.
В перспективе можно поменять алгоритм для выбранных данных, либо изменить тип данных для выбранного алгоритма и провести анализ полученных данных.
Купить