Автоматизация процессов производства железобетонных изделий

реферат

1.2 Адаптивные методы прогнозирования

Одним из важнейших направлений повышения эффективности производства сборного железобетона является совершенствование существующих и разработка новых методов прогнозирования. При планировании технико-экономических показателей важной проблемой является повышение точности прогнозов не только на дальнюю, но и ближайшую перспективу. Объективная необходимость повышения качества краткосрочных прогнозов привела к созданию и быстрому развитию адаптивных методов.

Адаптивными методами прогнозирования (АМП) называются методы, позволяющие строить самокорректирующиеся математические модели, которые, учитывая результат реализации прогноза, сделанного на предыдущем шаге, и различную информационную ценность членов динамического ряда, способны оперативно реагировать на изменяющиеся условия и на этой основе давать на ближайшую перспективу более точные прогнозы.

АМП применяются там, где основной информацией для прогноза является отдельный временной ряд. В случае краткосрочного прогнозирования наиболее важными являются последние реализации исследуемого процесса, например данные о мощности на валу бетоносмесителя ряда последних замесов бетона одной рецептуры, тенденция его развития, сложившаяся в среднем на всем периоде предыстории, имеет существенно меньшее значение. Другими словами, свойство динамичности развития процесса здесь преобладает над свойством их инерционности. Вследствие этого более эффективным оказывается применение АМП, учитывающих неравноценность уровней временного ряда.

Для повышения качества краткосрочных прогнозов необходимо постоянно сопоставлять прогнозные оценки, полученные на основе модели, с фактическими данными. Практически все методы инженерного прогнозирования являются в той или иной степени адаптивными, поскольку стремятся использовать ценную информацию результатов сравнений с. тем, чтобы приспособиться к реальному течению процесса. Однако в традиционных методах, использующих регрессионные модели, кривые роста, степень адаптации невелика, так как они, как правило, используют новую точку динамического ряда лишь для "освежения" модели путем простого перерасчета ее коэффициентов по увеличенному на единицу периоду предыстории. В этом случае ценность вновь поступающей информации с течением времени постоянно падает и, кроме того, не учитывается фактическая величина ошибки прогноза.

Первоначальная оценка параметров модели обычно осуществляется по некоторой выборке исходного ряда. Все уровни ряда составляют обучающую последовательность, т. е. используются для корректировки параметров текущей прогнозной Последовательность процесса адаптации, состоит в следующем.

Пусть модель находится в некотором исходном состоянии (т. е. определены текущие значения ее параметров) и по ней делается прогноз. По истечении одной единицы времени (шага моделирования) анализируем, насколько далек результат, полученный по модели, от фактического значения ряда. Ошибка прогнозирования через обратную связь поступает на вход системы и используется моделью в соответствии с ее логикой перехода из одного состояния в другое с целью большого согласования своего поведения с динамикой ряда. На изменения ряда модель должна отвечать "компенсирующими" изменениями. Затем делается прогноз на следующий момент времени и весь процесс продолжается до исчерпания фактических уровней ряда.

Таким образом, модель постоянно "впитывает" новую информацию, приспосабливается к ней и к концу периода обучения отражает тенденцию развития процесса, существующую на данный момент.

Что касается правил перехода системы от одного состояния к другому, то этот процесс решается каждым исследователем интуитивно.

Быстроту реакции адаптивной модели на изменения в динамике ряда характеризует так называемый параметр адаптации. Процесс "обучения" модели по ретроспективному материалу происходит в два этапа. На первом этапе определяется наилучшая (оптимальная) величина параметра адаптации, а на втором, используя ее по описанной выше схеме, определяются коэффициенты модели.

Если оптимальную величину параметра адаптации затруднительно определить эмпирически или вывести аналитическим способом, то используют метод проб и ошибок. Задача состоит в нахождении такого значения параметра, которое обеспечивало бы отражение тенденции процесса при одновременной фильтрации случайных отклонений от нее.

Адаптивные модели достаточно гибки, но не универсальны. Поэтому при построении конкретных моделей необходимо учитывать наиболее вероятные закономерности развития реального процесса, динамические свойства ряда соотносить с возможностями модели. Исследователь должен закладывать в модель те адаптивные свойства, которых, по его мнению, хватит для слежения модели за реальным процессом с заданной погрешностью. Вместе с тем нельзя надеяться на успешную самоадаптацию модели, более общей по отношению к той, которая необходима для отражения реального процесса, так как увеличение числа параметров модели неизбежно приводит к ухудшению получаемых по ней прогнозов.

Таким образом, при построении адаптивной модели приходится выбирать между общей и частной моделью, и, учитывая их достоинства и недостатки, отдавать предпочтение той, от которой можно ожидать наименьшей ошибки прогнозирования. Только при таком условии можно надеяться, что последовательность проб и ошибок постепенно приведет к наиболее эффективной прогнозной модели.

Для сравнения возможных альтернатив необходим критерий полезности модели. В случае краткосрочного прогнозирования признанным критерием является средний квадрат ошибки прогнозирования. О качестве модели судят по наличию автокорреляции в ошибках. В более развитых системах процесс проб и ошибок осуществляется в результате анализа как последовательных во времени, так и параллельных (конкурирующих) модификаций модели. Здесь используется принцип конкуренции или автоматического отбора (селекции) прогнозной модели по заданному критерию.

Время в адаптивной модели не является фактором, причинно определяющим развитие исследуемого процесса. Оно является условным "представителем" всей совокупности причинных факторов и выражает эволюцию всего комплекса условий протекания процесса. За счет упрощенного представления исследуемой величины, которая связана с одним лишь фактором ? временем, моделирование становится возможным даже при самой скудной информации.

Учитывая вышеизложенное, можно выделить следующие основные преимущества адаптивных методов и моделей, обеспечивающие широкое поле для их применения:

1. адаптивное прогнозирование не требует обширной информации, оно базируется на интенсивном анализе информации, содержащейся в отдельных временных рядах;

2. модель, описывающая структуру показателя и его динамику, как правило, имеет ясную экономическую интеграцию и простую математическую формулировку;

3. неоднократность временных рядов и их связей находит отражение в адаптивной эволюции параметров или даже в структуре додели.

В сравнении с системой регрессионных уровней адаптивные модели могут давать более надежные результаты при краткосрочном прогнозировании.

Однако сказанное вовсе не означает, что адаптивные модели могут заменить любые другие виды моделей. Они пригодны лишь для обработки рядов с умеренными изменениями во времени.

Делись добром ;)