Прогнозирование объема реализации продукции ООО "Славянка"
Дипломная работа - Экономика
Другие дипломы по предмету Экономика
жения определяет масштаб отсеиваемых деталей: чем больше эта величина, тем более крупные детали в исходных данных будут отброшены. Использование слишком больших значений глубины разложения может привести к потере полезной информации из-за слишком большой степени огрубления данных. Порядок вейвлета определяет гладкость восстановленного ряда данных: чем меньше значение параметра, тем ярче будут выражены выбросы, и наоборот, - при больших значения параметра выбросы будут сглажены. На рис. 4 приведен временной ряд продаж после удаления аномалий и шумов, в Приложении В в таблице 1 - полученные расчетные значения.
Рис. 4. Сглаженный временной ряд продаж
Обработчик Скользящее окно. Для проведения прогнозирования структуру входных данных необходимо преобразовать по специальной схеме. Для этого выбирается глубина погружения, т.е. количество временных интервалов, по которым мы будем прогнозировать следующий. Возьмем глубину погружения равной 6, т.е. прогнозирование объема продаж на следующий месяц будет осуществляться по результатам шести предыдущих месяцев (глубина погружения выбирается исходя из рассчитанного пика автокорреляционной зависимости). Далее данные по продажам преобразуются к следующему виду (см. таблицу 1).
Таблица 1
Схема представления данных обработчиком Скользящее окно
smoothB6smoothB5smoothB4smoothB3smoothB2smoothB1smoothB0smoothF1m-7m-6m-5m-4m-3m-2m-1mm-6m-5m-4m-3m-2m-1mm+1m-5m-4m-3m-2m-1mm+1m-5……………………
Мы получаем так называемое скользящее окно, в котором представлены данные только за 8 месяцев. Первые 6 колонок - это данные за месяцы, на основе которых будем строить прогноз. Последняя колонка - показатель, который мы будем прогнозировать. Так как данных у нас больше, чем за 8 месяцев, мы можем сдвигать это окно по временной оси. Таким образом готовится обучающая выборка, и именно в таком виде представляются данные для последующего анализа (расчетные значения, полученные с помощью данного обработчика, представлены в таблице 1 Приложения Г). Диаграмма скользящего окна приведена на рис. 5.
Рис. 5. Скользящее окно ряда продаж
Обработчик Нейросеть. Обработчик предназначен для решения задач регрессии и прогнозирования. Мы строим нейросеть для прогнозирования будущих значений временного ряда. При этом на вход подаются значения, полученные обработчиком скользящее окно, за исключением (у+1), которое в данном случае будет интерпретироваться как выходное. Для проверки обобщающей способности нейросети рекомендуется разбить имеющееся множество данных на две части: обучающее и тестовое (устанавливаем долю тестового множества 10%). Выбираем активационную функцию (сигмоида); число нейронов во входном (7), скрытом (1) и выходном слоях (1); алгоритм обучения Resilient Propagation (коррекция весов производится после предъявления всех примеров обучающего множества, учитывается только знак градиентной составляющей). С помощью визуализатора Диаграмма оценивается способность построенной нейросетевой модели к обобщению. Для этого в одном окне выводятся графики исходного и спрогнозированного временных рядов. На рис. 6 изображены такие графики. Видно, что построенная модель обеспечивает приемлемую точность. В Приложении Д на рис. 1 представлен граф нейросети, в таблице 1 - фактические и выходные значения.
Рис. 6. Исходные и распознанные нейросетью данные динамического ряда
Обработчик Прогнозирование и визуализатор Диаграмма прогноза. Прогнозирование позволяет получать предсказание значений временного ряда на число отсчетов, соответствующее заданному горизонту прогнозирования. Выберем горизонт прогнозирования, равный 5, и получим прогноз объема реализации продукции крекерного цеха ООО Славянка на 5 месяцев вперед (рис.7).
Рис.7. Диаграмма прогноза на пять месяцев вперед
Согласно прогнозу нейронной сети значения объемов продаж на март, апрель, май, июнь и июль 2007 года составят соответственно 1455051 кг, 1455413 кг, 1414036 кг, 1455166 кг и 1128585 кг.
Таким образом, типичный сценарий построения модели объема продаж в Deductor выглядит следующим образом (рис. 8):
Рис.8. Сценарий построения модели объема продаж
На следующем этапе необходимо провести верификацию полученных моделей с целью выбора той из них, которая обеспечила бы наилучшее качество прогноза.
3.3 Разработка управленческого решения по совершенствованию системы сбыта на предприятии
Нами были поcтроены две модели, на основании которых можно получить прогнозные значения будущих объемов продаж продукции крекерного цеха ООО Славянка. Как видно из рисунка 8, расчетные значения на период с марта по июль 2007 года в определенной степени различны.
Рис. 8. Прогнозируемые значения объема сбыта на основе двух методов
Для того, чтобы определить, какая из моделей обеспечивает наилучшее качество прогноза, следует провести их верификацию. Воспользуемся следующими коэффициентами:
) Средняя ошибка аппроксимации:
(4)
Данный показатель характеризует точность прогноза (если А<12%, то прогноз обладает высокой точностью).
) Коэффициент детерминации:
(5)
Показывает долю дисперсии, объясняемую регрессией, в общей дисперсии результативного признака. Чем качественнее прогноз, тем ближе данный коэффициент к 1.
3) Коэффициент несоответствия: