ОПРЕДЕЛЕНИЕ ЭФФЕКТИВНОЙ СТРУКТУРЫ ВХОДНЫХ ДАННЫХ ДЛЯ ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ СПРОСА

Грицай, А.А. (2014) ОПРЕДЕЛЕНИЕ ЭФФЕКТИВНОЙ СТРУКТУРЫ ВХОДНЫХ ДАННЫХ ДЛЯ ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ СПРОСА. Вестник ТвГУ. Серия: Прикладная математика (2). С. 95-106. ISSN 1995-0136

[thumbnail of elibrary_22535216_43063027 95-106.pdf]

PDF - Опубликованная версия
1MB

Абстракт

Основная цель работы состоит в исследовании различных методов определения эффективной входной структуры данных для нейронных сетей применительно к задаче прогнозирования спроса, а также разработке на их основе более точного алгоритма с более широким спектром применимости. Это позволит автоматизировать процесс создания обучающих примеров из временного ряда. Критерием точности выступает мера ошибки прогнозирования sMAPE. Основным результатом работы является разработанный алгоритм ранжирования, представляющий собой композицию рассмотренных методов. В работе показана эффективность предлагаемого алгоритма, приведены результаты тестирования на реальных данных о спросе на продукцию оптово-розничных торговых предприятий

Абстракт (англ.)

The main objective of the work is to study the various methods of determining the optimal structure of the input data for the neural networks applied to the problem of forecasting demand, as well as on the development of more accurate algorithm with a wider range of applicability. It will automate the process of creating training examples from the time series. The criterion for the accuracy of the prediction error measure is sMAPE. The main result is the developed ranking algorithm, which is a composition of the methods considered above. This paper shows the effectiveness of the proposed algorithm, the results of tests on real demand time series

Тип объекта:	Статья
Сведения об авторах:	1. Грицай Александр Александрович аспирант кафедры информационных технологий Тверского госуниверситета.
Ключевые слова:	нейронные сети, прогнозирование спроса, структура нейронной сети, оптимизация запасов
Ключевые слова (англ.):	neural networks, demand forecasting, neural network structure, inventory optimization
Категории:	0 Общий отдел > 00 Общие вопросы науки и культуры > 004 Информационные технологии. Вычислительная техника > 004.9 Прикладные информационные (компьютерные) технологии. Методы, основанные на применении компьютеров > 004.94 Имитационное компьютерное моделирование 5 Математика. Естественные науки > 51 Математика > 519.6 Вычислительная математика, численный анализ > 519.68 Программирование и теория вычислительных машин
Подразделения:	Университеты > Тверской государственный университет > Факультеты > ПМиК > Кафедра информационных технологий
ID Code:	7931
Deposited On:	13 Сен 2018 08:12
Последнее изменение:	13 Сен 2018 08:12

Repository Staff Only: item control page