Проектирование и реализация гибридного подхода к решению задач прогнозирования

Общая задача прогнозирования была и остается важнейшим элементом эффективной системы принятия решений практически в любой области. Исследования, посвященные решению задач прогнозирования, имеют богатую историю. Существует большое количество методов прогнозирования. Почему же исследователи не прекращают попыток усовершенствовать способы решения различных задач прогнозирования?

Такая постановка вопроса довольно стандартна и применима к различным классическим областям исследований. Стандартным является и ответ на этот вопрос - практика использования средств прогнозирования предъявляет к ним все более высокие требования. Это касается и измеримых количественных показателей качества работы методов и способа их включения в интегрированные информационные системы.

В данной работе, как и во многих более серьезных исследованиях мы попытались искать подходы, содержащие элемент новизны. Зачастую такие подходы включают в себя элементы, принадлежащие к широкой категории, именуемой общим термином «искусственный интеллект». Другим важным принципом, используемым в данной работе, является поиск удачного сочетания нескольких подходов, позволяющего получить лучшие результаты. Такие сочетания принято называть «гибридными», а эффект от выигрыша при их совместном применении можно охарактеризовать довольно современным термином «синергетический».

Постановка задачи

Упомянутые выше общие соображения легли в основу формулировки цели данной работы - проектирование и реализация гибридного подхода к решению задач прогнозирования. Для того, чтобы эта формулировка не выглядела слишком абстрактной, добавим некоторые ограничения, которые нам показались оправданными уже в начале работы.

. Среди множества методов искусственного интеллекта акцент делается на искусственных нейронных сетях и генетических алгоритмах.

. Среди множества постановок задач прогнозирования выделяется задачи прогнозирования временных рядов при условии, что структура временного ряда нам неизвестна.

. Использовать следующее сочетание ИНС и ГА - нейронная сеть обучается с помощью генетического алгоритма. Хромосома содержит всю совокупность весов сети.

. Для повышения эффективности ГА использовать вещественное кодирование хромосом (РГА).

Руководствуясь такой целью, мы попытались сформулировать задачи, последовательное (не всегда) решение которых, получить хорошие результаты.

. Изучение информационных источников, имеющих отношение к теме работы.

. Проектирование подхода к достижению поставленной цели.

. Разработка программной архитектуры для поддержки предложенного подхода.

. Реализация и тестирование клиентского приложения с целью проверки предложенного подхода.

. Сравнение полученных результатов с аналогичными результатами, полученными с помощью стандартных средств.