2023. №3 Vol 17

      В статье изучаются прогностические способности генеративно-состязательного нейросетевого подхода в отношении временных рядов на примере прогнозирования цен для узлов свободного рынка электроэнергии России на сутки вперед. В результате серии экспериментов мы приходим к выводу, что генеративно-состязательная сеть, состоящая из двух моделей (генератора и дискриминатора),позволяет достичь минимума функции ошибки с большей обобщающей способностью, чем, при прочих равных, достигается в результате оптимизации статичного аналога генеративной модели – рекуррентной нейронной сети. Собственные эмпирические результаты показывают, что при околонулевой среднеквадратической ошибке на тренировочном множестве, демонстрируемой одновременно рекуррентной и генеративной моделями, ошибка последней на тестовом множестве ниже.Состязательный подход также превзошел вточности вневыборочного прогноза альтернативные эталонные модели: сверточную нейронную сеть, адаптированную для прогнозирования временных рядов, и авторегрессионную линейную модель. Практика применения предложенного подхода показала, что генеративно-состязательная модель с заданной универсальной архитектурой и ограниченным числом объясняющих факторов при условии дообучения на данных, специфичных для целевого узла энергосистемы может использоваться для прогнозирования цен в узлах рынка на сутки вперед без существенных отклонений.

      В современных условиях принятие управленческих решений осуществляется при использовании автоматизированных систем под общим названием «системы поддержки принятия решений» (СППР). При их создании важно учитывать два ключевых момента. Первый – это алгоритмическая составляющая, отражающая логику работы системы в целом и отдельных ее частей. Второй – это интерфейс приложения, посредством которого пользователь с ним взаимодействует. Интерфейс представляет собой графическую интерпретацию алгоритмов, которые реализованы в рамках системы. Поэтому очень важно спроектировать и создать такую взаимосвязь между алгоритмом и интерфейсом, чтобы пользователю было максимально комфортно использовать СППР для решения своих текущих задач (ввод информации, ее обработку, представление и анализ для принятия решений). Таким образом, между интерфейсом и алгоритмом имеется прямо пропорциональная зависимость. И, несмотря на тот факт, что по данным аспектам имеется множество исследований, как теоретической, так и практической направленности, еще остаются вопросы, на которые следует обращать внимание в прикладном плане. Целью данного исследования является формулирование практических рекомендаций для предотвращения ввода некорректной информации в базу данных СППР и представления результатов в виде, удобном для ее анализа. Основные задачи работы – показать на примерах, какие ошибки могут способствовать вводу в базу данных недостоверной информации, а также каким наилучшим образом представить информацию на экране монитора в соответствии с психофизиологическими характеристиками человека, чтобы сократить время на ее анализ и принятие решений. Проанализированы типовые ошибки, возникающие в процессе ввода информации. Приведены рекомендации по визуализации аналитической информации на экране монитора.

      Важной особенностью при работе с финансовыми данными является тот факт, что остатки GARCH-моделей часто имеют более «толстые хвосты», чем хвосты нормального распределения из-за большого числа «выбросов» в данных, что требует более детального изучения. В статье анализировались и сравнивались куртозис и мера «тяжелохвостости», основанная на квантилях, применительно к задаче выбора спецификации GARCH(1,1)-модели. Были рассмотрены данные индексов Мосбиржи за период 01.04.2019 по 22.02.2022 гг., значения куртозиса которых варьировались от 3 до 52. Как показали эмпирические данные, куртозис очень чувствителен к «выбросам» в данных, что затрудняло предположения относительно вида распределения остатков модели. Рассматриваемый в работе подход на основе меры «тяжелохвостости» позволил обосновать выбор числа степеней свободы t-распределения остатков модели для объяснения «толстых хвостов» в финансовых данных. Было получено, что часто встречающимися являются GARCH(1,1)-модели с t(5)-распределением в остатках.

      Развитие теории интеллектуального капиталаза счет введения в нее концепции имплицитности предполагает рассмотрение интеллектуального капитала как имплицитного фактора, процесс формирования которого в значительной степени определяется влиянием специфических скрытых факторов, чье воздействие выражено неявно и трудно формализуется. В настоящее время процесс отбора эксплицитных и имплицитных факторов, воздействующих на интеллектуальный капитал, в отечественных и зарубежных исследованиях не формализован, что обусловливает актуальность настоящей работы. Цель данного исследования состояла в разработкесхемы отбора эксплицитных и имплицитных факторов развития интеллектуального капитала организации в увязке с ее стратегией на основе модифицированной сбалансированной системы показателей с учетом распределения показателей по типам когнитивной активности. Операционализация данной схемы осуществлена путем разработки нечеткойэкономико-математической модели, пригодной к практическому применению. Основной особенностью модели является возможность нечеткого задания «границ отсечения» эксплицитных и имплицитных факторов.Представлены результаты апробации модели на примере крупного регионального университета. Приведены наборыэксплицитных и имплицитных факторов интеллектуального капитала университета для различных «границ отсечения» с использованием различных методов дефаззификации.

      В данной статье представлена новая имитационная модель интеллектуальной транспортной системы (ИТС) «умного города» с адаптивным управлением светофорами. Предложенная транспортная модель, реализованная в AnyLogic, позволяет изучать поведение взаимодействующих агентов: транспортных средств (ТС) и пешеходов (П) в рамках многоагентной ИТС типа «Манхэттенской решетки». Пространственная динамика агентов в подобной ИТС описывается с использованием систем конечно-разностных уравнений с переменной структурой с учетом регулирующего воздействия «умных» светофоров. Исследованы различные способы управления светофорами, направленные на максимизацию суммарного трафика выходного потока ИТС, в частности, посредством формирования требуемой длительности фаз с использованием генетического оптимизационного алгоритма, с помощью локального («слабоадаптивного») управления переключениями и на основе предложенного алгоритма нечеткой кластеризации. Исследуются возможности оптимизации характеристик систем индивидуального управления поведением светофоров при различных сценариях, в частности, для ИТС с пространственно-однородными и периодическими характеристиками. Для определения наилучших значений индивидуальных параметров систем управления светофорами, таких как, длительности фаз, радиусы наблюдений за транспортными и пешеходными потоками, пороговые коэффициенты, количество кластеров и др., применяется ранее предложенный параллельный генетический оптимизационный алгоритм с вещественным кодированием (класса RCGA). Предложенный метод адаптивного управления светофорами на основе нечеткой кластеризации демонстрирует большую эффективность в сравнении с известными методами коллективного воздействия и локального («слабоадаптивного») управления. Результаты работы могут быть рассмотрены как компонента системы принятия решений в управления городскими службами.

      Финансовые временные ряды представляют собой объемные массивы информации по котировкам и объемам торгов акций, валют и других биржевых и внебиржевых инструментов. Анализ и прогнозирование таких рядов всегда представляли особый интерес как для исследователей-аналитиков, так и для инвесторов-практиков. Однако, финансовые временные ряды имеют свою специфику, не позволяющую найти единственно верный и работающий метод прогнозирования. В настоящее время алгоритмы машинного обучения позволяют анализировать большие объемы данных и производить тестирование полученных моделей. Современные технологии позволяют тестировать и применять сложные методы прогнозирования, требующие объемных вычислений. Они дают возможность развивать математическую базу прогнозирования, комбинировать различные подходы в одном методе. Примером такого современного подхода является метод сингулярного спектрального анализа (SSA), который сочетает в себе разложение временного ряда в сумму временных рядов, метод главных компонент и рекуррентное прогнозирование. Целью настоящей работы является анализ возможности применения SSA метода к финансовым временным рядам. Метод SSA был рассмотрен в сравнении с другими распространенными методами прогнозирования финансовых временных рядов: ARIMA, разложение Фурье и рекуррентная нейронная сеть. Для реализации методов был разработан программный алгоритм на языке Python. Также была осуществлена апробация метода на временных рядах котировок российских и американских акций, валют и криптовалют.