Отчет
попреддипломной практике
Тема проекта:
Разработкасистемы краткосрочного прогнозирования спроса на продукцию с использованием принципасамоорганизации
Выполнил: студент группыПОВТ 2-05
Дудников Александр
Проверила: ст. преп.Стамкулова Г.К.
Введение
Описание проблемы
Решение задачкраткосрочного прогнозирования вызывают особые затруднения, поскольку онитребуют высокую точность. Широко известные методы статистического прогноза необеспечивают достаточную точность прогнозирования в условиях быстро меняющихсяусловий рынка товаров и услуг. Поэтому необходимо разработать систему, котораябудет осуществлять прогноз с использованием принципа самоорганизации, которыйотражает изменяющиеся во времени условия.
Только организация системуправления предприятием во взаимосвязи всех функций управления, включаяпрогнозирование, на основе информационно-аналитических аспектов является однимиз важнейших направлений повышения эффективности деятельности предприятий вцелом.
Цель проектирования.
Разработка системыпрогнозирования временных рядов динамики, предназначенной для определения краткосрочногопрогноза на примеререшения задачи прогнозирования спроса.
Система должнаобеспечивать:
• получение будущихзначений ряда с высокой точностью за счет применения принципа самоорганизации;
• анализрезультатов прогнозирования;
• накопление статистическихданных наблюдаемого показателя.
Задачи:
· Разработатьконцептуальную и функциональную схемы работы системы;
· Разработать базуданных, содержащую фактические и прогнозные данные;
· Разработатьпользовательский интерфейс системы прогнозирования;
· Организоватьзащиту пользователей системы, используя аутентификацию;
· Разработатьпрограмму, которая позволяет:
- пополнять,изменять, просматривать введенные статистические данные;
- выбирать методпрогнозирования;
- выбирать критерийоценки качества прогноза;
- получатьпрогнозные значения наблюдаемого показателя;
- просматривать результаты прогнозирования(прогноз и ошибка на заданный период).
Актуальность проблемы
Современные условия нарынке управления и бизнеса характеризуются ужесточением конкурентной борьбы нарынках сбыта, трансформируются в конкуренцию организаций, в соперничествознаний и управление ими в целях достижения рыночного преимущества. А этопредполагает применение гибких систем управления, которые помогают принятьэффективные управленческие решения в условиях неопределенности. Развитиеинформационных технологий, средств связи и коммуникаций открыли новыенаправления эффективного и целенаправленного воздействия на организацию системыуправления предприятиями. При решении тактических задач управления требуетсязнание прогнозных значений показателей на короткий период упреждения. Вотпочему без систем прогнозирования невозможно обеспечить эффективногоуправления.
Обзор и анализсуществующих программ
Статистическоепрогнозирование по временному ряду стало неотъемлемым атрибутом экономическойдеятельности любой самостоятельной единицы, от мелкой фирмы до компаний –гигантов, которое использует компьютерные программы (приложения). Это позволяетавтоматизировать большую часть операций при построении прогноза, а такжепозволяет избежать ошибок, связанных с вводом данных.
Наибольшее практическоераспространение получили методы краткосрочного прогнозирования спроса,встроенные в общую систему автоматического контроля управления запасами.
Такие приложения могутбыть как локальными (для использования на одном компьютере), так и Интернет — приложениями (доступными в виде веб — сайта, например). В качестве локальныхприложений следует выделить такие программы, как ForExSal, ForecastPRO,Forecast Expert.
ForExSal — программа дляпрогнозирования продаж товаров с учетом факторов влияния, сезонности и трендов [10].
Достоинствамиданной программы является то, что в ней реализованы методы прогнозирования временныхрядов, предназначенные как для построения прогнозов отдельных независимыхтоваров, так и для построения прогнозов одновременно для многих товаров сучетом взаимного воздействия товаров друг на друга и влияния внешних факторов.
ForecastPRO – программныйпакет, предназначенный для построения прогноза временного ряда длякраткосрочного, среднесрочного прогнозирования. Продукт разработан для большегочисла прогнозных работ таких как, объединенное прогнозирование, комплексныхиерархии, взаимодействие с другими системами, поддержка множественныхпрогнозирующих баз и документирование, есть возможность моделированияпродвижения товара и обычное моделирование, определять и регулировать иерархии[9]. Достоинствамиданного программного продукта является многофункциональность.
Forecast Expert –используется для построения прогноза временного ряда с помощью параметрическоймодели Бокса-Дженкинса. Модель предусматривает для корректного прогноза неменее 30 наблюдений. Программный продукт предназначен для прогнозированиялюбого параметра, в отношении которого имеется должное количество замеров вконкретном промежутке времени.
Достоинствамиданного программного продукта является:
− Невысокиетребования к уровню подготовки специалиста в области прогнозирования для работыс ПО (если такое вообще допустимо для специалиста в этой области).
− Не требуетсямного времени на изучение пакета для начала работы с ним (около 1 часа).
Недостаткамиявляются:
− В описаниисистемы приведены большие объемы информации о принципах построениястатистических моделей, сущности метода Бокса-Дженкинса и множество сведений изучебника по статистики, но отсутствует информация о причинах выбораразработчиками ПО именно модели Бокса-Дженкинса для системы прогнозирования впакете.
− Избыточнаятребовательность к собираемым (подготавливаемым) для анализа данным,объясняемая сущностью применяемой в ПО модели Бокса-Дженкинса. Модельпредусматривает для корректного прогноза не менее 30 наблюдений.
Недостатками всехвышеперечисленных программных продуктов является их высокая стоимость, а многиекыргызстанские предприятия и учреждения не могут их приобрести.
Обзор и анализсуществующих методов прогнозирования
В зависимости отпоставленных задач и требуемых результатов используются различные методыпрогнозирования. Выделяют методы краткосрочного и среднесрочногопрогнозирования :
· Методыкраткосрочного прогнозирования применяются в тех случаях когда:
1) частота данных зарассматриваемый период не более года (недельные, месячные, квартальные и т.п.);
2) прогноз делаетсядля конкретного объекта отдельно и последовательно на каждый следующий моментвремени;
3) прогнозы строятсядля большого числа объектов;
4) если прогнозсоставляется для конкретного товара или рыночного продукта, в задачупрогнозирования также входит: а) анализ спроса с целью выработки политики вобласти управления запасами и производством соответствующего товара, б) анализпродаж с целью упорядочения торговых операций.
Очевидно, для подобногорода применений прогностические методы и модели (или набор моделей) должныбыть:
1) легкими вобращении – в смысле вычислений и затрат, связанных с хранением информации;
2) гибкими и поэтомудопускающими для самого широкого круга объектов применение различного наборасвязанных между собой типов прогностических моделей, эффективно работающих всамых разных ситуациях;
3) достаточно полноавтоматизированными и требующими по возможности минимального вмешательствачеловека;
4) достаточнообоснованными в научном смысле, реализованными в виде программ на ЭВМ.
· Среднесрочноепрогнозирование, как правило, целесообразно в случаях, когда:
1) имеются ежегодныеданные и их можно взять из официальных источников;
2) прогнозы являютсяодноразовыми, т.е. не повторяются и не подправляются (адаптируются) споступлением новых данных;
3) прогнозыосуществляются для временных рядов относительно малой длины;
4) прогнозируется,например, динамика не отдельного объекта или спроса на некоторый товар, апроцесса, имеющего общую природу, такого, как объем капиталовложений, прибылиили суммы продаж на некотором рынке товаров.
· Адаптивноепрогнозирование.
Необходимость в том,чтобы прогнозы были чувствительными к изменениям данных, очевидна. Болеечувствительный прогноз, в конечном счете, приведет и к меньшей разнице междупрогнозируемым и фактическим значениями, а значит, точность будет выше. Другое требование, по которому прогноздолжен быть малочувствителен в условиях устойчивости (малого изменения данных),не так очевидно, поскольку в этом случае и высоко — и низкочувствительныйпрогноз приведет приблизительно к одним и тем же назначениям.
Первые адаптивные моделибыли разработаны в начале 50-х годов XX века [1]. В их основе лежит методэкспоненциального сглаживания, предложенный Р.Г. Брауном. В дальнейшем вразвитие и совершенствование методов адаптивного прогнозирования большой вкладвнесли Р. Вейд, Д. Мат, Дж. Бокс, Г. Дженкинс, П. Харрисон, Д. Вард, Г. Тейл,С. Вейдж, Р. Маркланд, П.Р.Уинтерс, Р.Ф. Майер, Й. А Мюллер, Д. Тригг, А. Лич,М.Л. Шоун, У. Чоу, С. Роберте, Р. Рид, А. Рао, А. Шапиро, Ю.П. Лукашин, Е.М.Левитский, А.Г. Иваненко, А.А. Френкель, Е.М. Четыркин, В.В. Венсель.
системапрогнозирование спрос
Выбор и обоснованиеинструментального программного средства, используемого при решении задачи
Для реализациипоставленной задачи необходимо средство, которое позволит разработать системуудобную и мощную, а также модифицируемую и отвечающую современным требованиям кпрограммному обеспечению.
Для разработки системыпрогнозирования я выбрал инструментальное средство разработки Microsoft Visual Studio 2008 (язык С#), Microsoft Access 2003. Microsoft Visual Studio 2008 является объектно–ориентированным средствомразработки клиент – серверных, многоуровневых, а также WEB — приложений. Для реализации поставленных задач было необходимо использование стандартных элементов управления,таких как окна, формы, кнопки, через которые пользователь передает входныеданные и получает результаты в виде выходных данных. Microsoft Visual Studio 2008 позволяет создавать библиотеки, а такжеподключать ранее созданные динамические библиотеки.
Предложен широкий спектринструментальных средств, включающих простые в использовании графическиеинструменты, богатый набор экспертов для проектирования всех элементовинтерфейса и данных, а также технологии для работы с базами данных, начиная с простых и заканчиваяраспределенными. Поддержка доступа к Microsoft Access,SQL Server, Oracle,Informix. Встроены драйверы для доступа кнескольким СУБД.
Описание используемыхматематических моделей
В большинстве приложенийприменяются два типа прогностических моделей: экспоненциальное сглаживание ирегрессия. Методы, основанные на экспоненциальном сглаживании, предназначеныдля краткосрочного прогнозирования. Они применяются, как правило, к данным как,месячный спрос, сумма продаж за квартал и.т.д. Методы регрессионноговыравнивания применяются в среднесрочном прогнозировании.
В системе выбраны следующие методы решения прогнозных задач: Методпростого экспоненциального сглаживания, адаптивное сглаживание прогноза Брауна,метод Тригга – Лича, самоорганизующийся метод прогнозирования. Данные методыбыли выбраны для краткосрочного прогнозирования по временному ряду.
1. Метод простогоэкспоненциального сглаживания.
Если /> ряд фактическихзначений показателя /> и /> - константа сглаживания, тоэкспоненциально сглаженным рядом будет ряд />, получаемый по формуле
/>
Где /> - прогноз на момент времени />
/> - текущий момент времени
/> - период упреждения прогноза
/> - фактическое значениенаблюдаемого показателя
/> - константа сглаживания(/>)
Алгоритм вычисления прогноза методомэкспоненциального сглаживания представлен на рисунке 2.
/>
Рис.2. Блок-схемавычисления прогноза методом экспоненциального сглаживания
Адаптивное сглаживаниепрогноза Брауна.
Этот методосновывается на вычислении оценок по методу взвешенных наменьших квадратов dt[4].
/>
/>
/>
/>
Где /> - прогноз на момент времени />
/> - текущий момент времени
/> - период упреждения прогноза
/> - коэффициентдисконтирования (/>)
/> — ошибка прогноза
/> - экспоненциальноевзвешенное среднее
/> - показатель линейногороста
/> - фактическое значениенаблюдаемого показателя
Алгоритм вычисления прогноза методомадаптивного сглаженного прогноза Брауна представлен на рисунке 3.
/>
Рис.3. Блок-схемавычисления адаптивного сглаженного прогноза Брауна
2. МетодТригг–Лича
В 1964 году Триггпредложил метод сглаживания ошибок, основанный на определении так называемого“следящего контрольного сигнала”. Значение следящего контрольного сигналауказывает с некоторым уповнем статистического доверия на степень неадекватностипрогностической системы данным и, в частности на неудовлетворительностьпрогноза. В 1967 г. в целях контроля за прогностической системой Триггом иЛичем было выдвинуто предложение применить следящий контрольный сигнал дляадаптации скорости реакции прогностического метода. По этому методу, если врезультате резких изменений показателя применяемый метод становитсянеудовлетворительным, значение следящего контрольного сигнала автоматическиувеличивается, вследствие чего больший вес придается последним наблюдениям, апрогноз переходит на новый уровень среднего. После того как системаперестроилась на новый уровень, значение /> автоматически уменьшится ипрогнозы станут менее чувствительны к изменению данных.
Для стационарныхпоказателей прогноз на любой момент времени по модели адаптивной скоростиреакции Тригга и Лича вычисляется по формуле
/>
Где />
/>
/>
Где /> - прогноз на момент времени />
/> - текущий момент времени
/> - период упреждения прогноза
/> - фактическое значениенаблюдаемого показателя
/> - экспоненциально взвешенная ошибка
/> — ошибка прогноза
/> - следящий контрольныйсигнал
/> - средне абсолютноеотклонение
/> - константа сглаживания(/>)
Алгоритм вычисления прогноза методом Тригга-Лича представлен на рисунке 4.
/>
Рис.4. Блок-схемавычисления прогноза методом Тригга-Лича
Ошибки прогнозированиярассчитываются по формулам:
/> - абсолютная ошибка прогноза
/> - относительная ошибка прогноза
Где /> - фактическое значениенаблюдаемого показателя
/> - прогноз на момент времени />
/> - текущий момент времени
/> — ошибка прогноза
3. Сезонно-декомпозиционнаяпрогностическая модель Холта-Винтера
Модель Холта-Винтера впрактике прогнозирования сезонных временных рядов встречается чаще всего. Еепрогностическая точность не уступает точности других еще более сложных моделейповедения сезонно изменяющихся временных рядов (среднеабсолютная процентнаяошибка по этой модели в большинстве случаев меньше 50%). Сезонно-декомпозиционнаямодель Холта-Винтера основана на применении метода экспоненциальноговзвешенного среднего. Оценка стационарно-линейного и сезонного фактора для неепроизводится следующим образом.
а) Оценкастационарного фактора (т.е. оценка среднеежемесячного значения независимо от времени года).Уравнение оценки стационарного фактора:
/>
б) Оценкалинейного роста вычисляется на основе модели роста Холта:
/>
в) Оценкасезонного фактора (адаптация коэффициента сезонности). Коэффициент сезонности представляетсобой отношение значения текущего наблюдения к среднестационарному значению,т.е. этот коэффициент в момент времени t равен />. Определение экспоненциальноговзвешенного среднего текущего значения коэффициента сезонности:
/>
г) Прогноз. Приизолированной оценке трех факторов, определяющих движение процесса, прогноз на τ моментов времени вперед /> строится из трех элементов: суммируется оценкалинейного роста и оценка стационарного фактора />, и результат с учетом сезонностидомножается на соответствующее значение коэффициента сезонности />:
/>
Алгоритмвычисления прогноза методом Холта-Винтера представлен на рисунке 5.
/>
/>
Рис.5 Блок-схема моделиХолта-Винтера
4. Самоорганизующийсяалгоритм прогнозирования
Процесс построениясамоорганизующегося алгоритма (САП) состоит из нескольких шагов.
Шаг 1. Формированиепервоначального множества простых алгоритмов прогнозирования.
На этом шаге формируетсямножество простых алгоритмов, которые будут использоваться при конструированиисамоорганизующегося алгоритма. Под определением «простой алгоритм» мы вдальнейшем будем понимать известные алгоритмы (методы, мат. модели)прогнозирования. В первоначальное множество можно включить простые, но в тожевремя, научно обоснованные статистические методы прогнозирования.
Шаг 2. Выбор критерияотбора лучшего алгоритма для формирования прогноза.
В качестве критерияотбора можно выбрать относительную или абсолютную ошибку прогнозирования,рассчитываемую в каждой точке или некоторую агрегированную ошибку за предыдущийпериод.
Шаг 3. Стадия обученияСАП.
Проводитсяпрогнозирование на настоящий момент (или предыдущие моменты) времени, гдеизвестно (или известны) фактические значения наблюдаемого показателя поалгоритмам из множества, сформированного на шаге 1.
Шаг 4. Оцениваниекачества прогноза.
Оценивание качествапрогноза проводится с использованием критерия, выбранного на шаге 2. Алгоритм,показывающий минимальное значение критерия (ошибки прогнозирования), будемсчитать лучшим.
Шаг 5. Прогнозированиена будущий момент времени с использованием САП.
Прогнозное значениенаблюдаемого показателя на следующий момент будет определяться с помощьюалгоритма, отобранного на шаге 4.
Таким образом, приопределении будущего значения наблюдаемого показателя, САП должен переключатьсяна тот алгоритм, который показал наименьшее значение критерия оценки качествапрогнозирования на текущий период.
5. Алгоритмотбора комбинации лучших алгоритмов прогнозирования за период
Шаг 1. Выбор критерияотбора
В качестве критерияотбора можно выбрать относительную или абсолютную ошибку прогнозирования,рассчитываемую в каждой точке или некоторую агрегированную ошибку за предыдущийпериод.
Шаг 2. Подборкомбинаций алгоритмов
На этом шаге формируетсякомбинация нескольких (2 и более) алгоритмов прогнозирования из множествапростых алгоритмов, используемых системой.
Шаг 3. Прогнозированиеи оценивание качества прогноза
С помощьюсамоорганизующегося алгоритма производится прогнозирование за выбранный периодтекущей комбинацией методов. Оценивание качества прогноза проводится с использованиемкритерия, выбранного на шаге 1.
Шаг 4. Определениелучшей комбинации алгоритмов
На основе полученныхзначений критерия, выбирается комбинация алгоритмов, показавшая минимальноезначение критерия (ошибки прогнозирования).
Описание структурыданных. Описание алгоритмов обработки данных/>/>Логическая модель данных
Структура базыданных разработана так, чтобы можно было накапливать статистические данныенаблюдаемого показателя, а также хранить информацию о пользователях даннойсистемы, которую можно представить следующим образом:
/>/>/>Физическая модель данных
Физически базу данных, используемую вданной выпускной работе, можно представить следующим образом:
Таблица «prognoz»
Данная таблица содержит данные оданных наблюдаемого показателя.
Название поля
Тип поля
Описание N Long Используется для индексации записей в данной таблице Date Datetime Дата наблюдения Fact Number Фактическое значение наблюдаемого показателя Forecast Number Прогнозное значение наблюдаемого показателя
Таблица «users»
Данная таблица содержит данные опользователях системы.
Название поля
Тип поля
Описание ID Bigint (20) Код записи Username text Имя пользователя password text Пароль
Входные и выходные данные
Входные данные – этостатистические данные, о наблюдаемом показателе получаемые системой отпользователя.
Выходные данные – этоданные, которые система подготовила для пользователя, то есть расчеты попрогнозированию./>/>/>/>
Заключение
В рамках выполнения проектабыла разработана система прогнозирования, которая обеспечивает пользователя возможностью:
− Ввода,изменения, просмотра введенных статистических данных;
− Выбораметода прогнозирования иполучение справочной информации о методе;
− Выборакритерия оценки качества прогноза;
− Просмотрарезультатов прогнозирования (прогноз и ошибка на заданный период);
− Сохранениепрогнозных данных в файле с выбранным форматом.
В процессе проектирования системыпрогнозирования были достигнуты следующие результаты:
· Разработанаконцептуальная и функциональная схемы работы системы;
· Спроектированалогическая структура данных;
· Разработанпользовательский интерфейс системы прогнозирования;
· Разработанасистема защиты от несанкционированного доступа на основе аутентификациипользователей (вход в систему осуществляется после ввода логина и пароля).
Система определяет прогноз,ошибку прогноза и накапливает статистические данные наблюдаемого показателя. Она может быть использована длякраткосрочного прогноза бизнес-процессов: курса доллара, спроса на промышленныеи сельскохозяйственные товары и.т.д.
/>/>Литература
1. Лукашин Ю.П.Адаптивные методы краткосрочного прогнозирования временных рядов // Москва,Статистика, 1997.
2. Льюис К.Д. Методыпрогнозирования экономических показателей // Москва: Финансы и статистика,1996.
3. Четыркин Е.М.Статистические методы прогнозирования // 2-е издание, Москва: Статистика, 1977.
4. Липатова Н.Прогнозирование прибыли. // Финансы, 1995. — № 2
5. Borwn R.G. Smothing forecasting and prediction ofdiscrete time series // New-Yourk, 1963.
6. V. Vovk, G. Shafer Goodsequential probability forecasting is always possible, //manuscript, 2006.
7. Астринский Д., Наонян В. Экономическийанализ финансового положения предприятия // Экономист. – 2000. № 12.
8. Головач В.В.Дизайн пользовательского интерфейса // Usethics, 2004
9. http://forecastpro.com/products/fpfamily/whichedition.html
10. http://forexsal.ru
11. http://polbu.ru/management_economy/ch20_i.html
ПриложениеКонцептуальнаямодель данных
/>
Рис.1. Прогнозирование
/>
Рис.2. Процесс«Прогнозирование»
/>
Рис.3 «Определениепрогноза по принципу самоорганизации»Модельпотоков данных
/>
Рис.4. Модель потоковданных «Система прогнозирования»
/>
Рис.5 Модель потоковданных «Система прогнозирования»
/>
Рис. 6. Декомпозицияпроцесса «Выбор метода прогнозирования»Функциональнаямодель системы
/>
Рис.7 Функциональнаямодель «Система прогнозирования»
UML-ДИАГРАММЫ ВАРИАНТОВ ИСПОЛЬЗОВАНИЯ
/>
Рис.8 Вводстатистических данных
/>
Рис.9 Выбор критерия оценки прогноза
/>
Рис.10Выбор метода прогнозирования
/>
Рис.11Определение прогноза
/>
Рис.12Формирование отчета
/>
Рис.13 Окно регистрация статистических данных
азмещено на