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
134 KB...
11 06 2026 10:38:17
10 06 2026 14:14:58
Статья в формате PDF
109 KB...
09 06 2026 18:31:55
Статья в формате PDF
108 KB...
08 06 2026 2:33:42
В исследовании изучена возможность оптимизации терапии больных урогeнитaльным xлaмидиозом, на основе внедрения новой методики цитокининдуцированного определения чувствительности к лекарственным средствам. Под наблюдением находилось 240 больных урогeнитaльным xлaмидиозом обоего пола, в возрасте от 18 до 65 лет. В результате применения цитокининдуцированной методики определения чувствительности к лекарственным средствам, удалось значительным образом повысить эффективность терапии больных xлaмидиозом.
...
07 06 2026 18:53:26
Статья в формате PDF 250 KB...
03 06 2026 19:46:50
Статья в формате PDF
141 KB...
02 06 2026 17:38:15
Статья в формате PDF
125 KB...
01 06 2026 22:15:13
Статья в формате PDF
131 KB...
31 05 2026 18:37:20
Статья в формате PDF
143 KB...
30 05 2026 17:11:29
Статья в формате PDF
119 KB...
29 05 2026 12:22:37
Статья в формате PDF
301 KB...
28 05 2026 18:30:35
Статья в формате PDF
105 KB...
25 05 2026 1:38:39
Статья в формате PDF
239 KB...
23 05 2026 7:41:48
22 05 2026 12:37:21
Статья в формате PDF
112 KB...
21 05 2026 8:38:36
Статья в формате PDF
269 KB...
20 05 2026 2:35:45
19 05 2026 1:48:13
Статья в формате PDF
257 KB...
18 05 2026 10:28:47
Статья в формате PDF
111 KB...
17 05 2026 4:15:32
Статья в формате PDF
289 KB...
16 05 2026 10:16:23
Статья в формате PDF
113 KB...
15 05 2026 8:25:12
Статья в формате PDF
102 KB...
14 05 2026 8:17:18
Статья в формате PDF
107 KB...
13 05 2026 9:15:40
Статья в формате PDF
118 KB...
12 05 2026 20:41:13
Статья в формате PDF
342 KB...
11 05 2026 20:13:53
Статья в формате PDF
108 KB...
10 05 2026 7:46:34
Статья в формате PDF
126 KB...
09 05 2026 6:35:59
Статья в формате PDF
178 KB...
07 05 2026 2:31:14
Статья в формате PDF
320 KB...
03 05 2026 16:13:12
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 ::