РАЗРАБОТКА АДАПТИВНЫХ МОДЕЛЕЙ ДЛЯ ЗАДАЧ АНАЛИЗА ДАННЫХ

И ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ КУРГАНСКОЙ ОБЛАСТИ.

И.В. Рымар, В.А. Симахин

ОАО «Курганская информационная корпорация «Экспресс Информ», г. Курган

Управление любой сложной социально-экономической системой от организации или предприятия до региона весьма затруднительно без обратной связи, которая заключается в отслеживании и анализе данных, отражающих состояние этой системы и ситуацию вокруг нее. Постоянная доступность актуальной информации дает возможность оценить текущее положение дел, а прогнозирование изменения конкретных характеристик во времени позволяет обнаружить тенденции развития системы и сделать выводы о том, что ожидает ее в будущем. Таким образом, обладая всей полнотой сведений о состоянии системы и ее элементов в статике и динамике, управляющий персонал может принимать грамотные решения по применению мер регулирования. Такое управление основано на знании и потому более эффективно, чем принятие важных решений вслепую. Органы управления должны в любой момент времени располагать абсолютно достоверной и исчерпывающей информацией о регионе.

Вся информация, необходимая для принятия управленческих решений, существует, но она разбросана по ведомственным и муниципальным системам, собирается в интересах ведомственной вертикали и для комплексного анализа в интересах региона недоступна. Отсутствие единой технической политики при развертывании ведомственных систем привело к тому, что информация в них не согласована и не накапливается, хотя анализ ее динамики чрезвычайно важен для региона. Выход из данного положения был предложен сравнительно недавно и заключается в построении баз данных агрегированных по многим измерениям — Хранилищ Данных (ХД). Доступ к ХД организован особым способом на основе модели многомерного куба, что позволяет достаточно быстро обеспечить доступ к необходимым данным и запросам. Но, действительно, качественный скачок в задачах управления сложными системами ожидается от внедрения методов Интеллектуального Анализа Данных (ИАД).

Сегодня мы являемся свидетелями активного развития технологии интеллектуального анализа данных, появление которой связано, в первую очередь, с необходимостью аналитической обработки сверхбольших объемов информации, накапливаемой в современных хранилищах данных. Интеллектуальный анализ данных представляет собой новое направление в области информационных систем (ИС), ориентированное на решение задач поддержки принятия решений. Принципиальное отличие ИАД от известных методов, используемых в существующих системах поддержки принятия решений, состоит в переходе от технологии оперативного анализа текущих ситуаций, характерной для традиционных систем обработки данных (СОД), к методам, опирающимся на мощный аппарат современной математики. Возможность использования хорошо известных методов математической статистики и машинного обучения для решения задач подобного рода открыло новые возможности перед аналитиками, исследователями, а также теми, кто принимает решения при управлении сложными системами. Сложность системы управления, типа региона, требует разработки современного математического обеспечения при создании ИАД.

К таким задачам, в первую очередь, относятся задачи построения математических моделей (регрессионный анализ) и прогнозирования экономических показателей. На основе данных моделей в настоящее время развиваются сложные компьютерные моделирующие системы социально-экономического развития регионов. Как правило, в таких системах используются простые линейные модели, в тоже время хорошо известно, что экономические зависимости обладают существенной нелинейностью и стохастичностью. Так, например, аппроксимация изучаемого процесса на основе метода наименьших квадратов (МНК), используемого во многих пакетах ИАД, достаточно эффективна для гауссовской последовательности исходных данных. Однако если реальные наблюдения подчинены другому распределению (например, распределению Лапласа) или просто содержат аномальные данные, эффективность МНК существенно снижается, что неизбежно скажется на достоверности оценки ситуации или точности прогноза. В этом случае оказывается целесообразным использовать методы непараметрической статистики и специальные робастные методы непараметрического оценивания. В задачах краткосрочного прогноза необходимо использовать адаптивные методы.

В настоящее время методы непараметрической статистики являются наиболее перспективными при решении сложных задач анализа данных и принятия решений в условиях существенной априорной неопределенности. Тем более, что трудности вычислительного характера, характерные для непараметрических алгоритмов при данном уровне развития ЭВМ, не играют принципиального значения. Отметим также, что опыт применения непараметрических и адаптивных алгоритмов при решении сложных экономических и технических задач показывает их существенное преимущество перед традиционными алгоритмами используемых в ИАД.

Для решения этих задач разрабатываются следующие алгоритмы:

- непараметрической регрессии;

- непараметрические модели медианного типа;

- непараметрические модели модального типа.

Последние две модели относятся к алгоритмам робастного типа:

- непараметрические алгоритмы прогнозирования социально-экономических показателей: регрессионного, медианного и модального типа;

- адаптивные алгоритмы прогнозирования социально-экономических показателей.
 

19.07.05