ИСПОЛЬЗОВАНИЕ СТАТИСТИЧЕСКИХ И НЕЙРОСЕТЕВЫХ МЕТОДОВ ДЛЯ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ
В настоящее время в литературе рассматриваются вопросы моделирования и прогнозирования тарифных доходов предприятий электросвязи с учетом нынешнего состояния экономики. Тарифные доходы составляют большой процент от общих доходов предприятия и наиболее адекватно отражают активность потребителей услуг предприятия электросвязи. Вследствие этого прогноз тарифных доходов, во-первых, помогает отразить уровень спроса на услуги предприятия, во-вторых, оценить часть ожидаемого дохода предприятия. В данной работе исследуются методы краткосрочного прогнозирования тарифных доходов предприятия ОАО «Челябсвязьинформ». Рынок электросвязи является достаточно стабильным, поэтому в краткосрочном периоде оценивание доходов предприятия электросвязи с помощью временных рядов можно считать достаточно эффективным.
Данные о тарифных доходах предприятия были приведены к одному финансовому периоду, соответствующему политике предприятия и спросу потребителей. Для оценки инфляции были использованы статистические данные ЦБ РФ и Госкомстата.
Mодель ряда тарифных доходов предприятия связи представлена уравнением :
,
где T(t) - долговременная составляющая получения доходов (тренд);
S(t) - сезонная составляющая получения доходов;
- случайная составляющая;
t - время;
- оценка тарифных доходов, получаемых предприятием.
Присутствие сезонной составляющей объясняется тем, что активность потребителей услуг сильно зависит от времени года. Например, летом деловая активность снижается, поэтому поступления за междугородние разговоры и Интернет снижаются и т.д. В работе был реализован метод выделения сезонной составляющей Census I .
В работе были рассмотрены известные в литературе модели трендов данных, осуществлена их проверка на соответствие предположениям КМР (классической модели регрессии). Выделенная авторегрессионная модель тренда является лучшей из рассмотренных моделей при заданных исходных данных. В работе получено уравнение модели:
.
Существует другой подход в решении рассматриваемой задачи. В работе исследуются возможности применения нейросетевых алгоритмов для получения прогноза тарифных доходов предприятия электросвязи. Применение нейронных сетей в задачах прогнозирования доходов требует того, чтобы рынок, на котором действует данное предприятие, был стабильным. Нейронная сеть лишь аппроксимирует функцию доходов, извлекая информацию из самого ряда значений. В нашем случае условие стабильности соблюдается, т.к. предприятие ОАО «Челябсвязьинформ» можно рассматривать в качестве монополиста.
В работе на основе трехслойной нейронной сети с последовательными полными связями был получен прогноз временного ряда тарифных доходов. Минимальная ошибка обучения сети составила 30%, что указывает на достаточно низкую точность прогноза. Поэтому для дальнейших исследований предполагается использовать сеть с наличием обратных связей.
В дальнейшем автором предполагается исследовать возможности методов прогнозирования, основанных на интеграции статистических и нейросетевых методов.
Статья в формате PDF
129 KB...
01 05 2026 4:36:42
Статья в формате PDF
244 KB...
29 04 2026 14:43:42
Статья в формате PDF
145 KB...
28 04 2026 11:35:10
Статья в формате PDF
105 KB...
27 04 2026 23:24:13
Статья в формате PDF
298 KB...
26 04 2026 5:55:35
Статья в формате PDF
128 KB...
25 04 2026 13:23:48
Статья в формате PDF
286 KB...
23 04 2026 2:38:29
Статья в формате PDF
124 KB...
22 04 2026 22:18:24
Статья в формате PDF
109 KB...
21 04 2026 10:57:19
Статья в формате PDF
105 KB...
20 04 2026 3:42:18
Статья в формате PDF
112 KB...
19 04 2026 18:53:48
Статья в формате PDF
110 KB...
17 04 2026 5:34:26
Статья в формате PDF
138 KB...
14 04 2026 19:59:21
Статья в формате PDF
100 KB...
13 04 2026 13:59:13
Статья в формате PDF
126 KB...
12 04 2026 2:17:59
Статья в формате PDF
250 KB...
11 04 2026 7:28:44
Статья в формате PDF
313 KB...
10 04 2026 23:47:46
Статья в формате PDF
286 KB...
09 04 2026 11:45:48
Статья в формате PDF
140 KB...
08 04 2026 5:12:54
Статья в формате PDF
86 KB...
06 04 2026 13:13:21
Статья в формате PDF
109 KB...
05 04 2026 16:43:36
Статья в формате PDF
216 KB...
04 04 2026 17:22:12
Статья в формате PDF
190 KB...
03 04 2026 18:53:49
Статья в формате PDF
94 KB...
02 04 2026 7:42:38
Статья в формате PDF
265 KB...
01 04 2026 21:40:29
Статья в формате PDF
106 KB...
31 03 2026 23:26:15
Статья в формате PDF
110 KB...
30 03 2026 4:16:54
Статья в формате PDF
104 KB...
29 03 2026 19:48:20
Статья в формате PDF
106 KB...
27 03 2026 15:24:37
Статья в формате PDF
268 KB...
25 03 2026 18:48:19
Статья в формате PDF
368 KB...
24 03 2026 7:27:49
Еще:
Поддержать себя -1 :: Поддержать себя -2 :: Поддержать себя -3 :: Поддержать себя -4 :: Поддержать себя -5 :: Поддержать себя -6 :: Поддержать себя -7 :: Поддержать себя -8 :: Поддержать себя -9 :: Поддержать себя -10 :: Поддержать себя -11 :: Поддержать себя -12 :: Поддержать себя -13 :: Поддержать себя -14 :: Поддержать себя -15 :: Поддержать себя -16 :: Поддержать себя -17 :: Поддержать себя -18 :: Поддержать себя -19 :: Поддержать себя -20 :: Поддержать себя -21 :: Поддержать себя -22 :: Поддержать себя -23 :: Поддержать себя -24 :: Поддержать себя -25 :: Поддержать себя -26 :: Поддержать себя -27 :: Поддержать себя -28 :: Поддержать себя -29 :: Поддержать себя -30 :: Поддержать себя -31 :: Поддержать себя -32 :: Поддержать себя -33 :: Поддержать себя -34 :: Поддержать себя -35 :: Поддержать себя -36 :: Поддержать себя -37 :: Поддержать себя -38 ::
