WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 ||

«Московский государственный институт стали и сплавов (технологический университет) На правах рукописи Щипин Константин Сергеевич СИСТЕМА ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ МНОГОКРИТЕРИАЛЬНОГО АНАЛИЗА ВРЕМЕННЫХ ...»

-- [ Страница 2 ] --

Визуализация временного ряда Система прогнозирования Визуальный анализ временного ряда Эксперт «Усечение» временного ряда по краям Эксперт Выбор горизонта прогнозирования Эксперт Настройка набора прогнозных моделей Эксперт Номер шага Шаг алгоритма Выбор критерия оценки качества прогноза Исполнитель шага Эксперт Описание шага алгоритма Эксперт выбирает формальную постановку задачи прогнозирования из предлагаемых системой прогнозирования. На основании выбранного критерия система прогнозирования будет определять, какие прогнозы «лучше», а какие «хуже». В зависимости от критерия оценки качества прогноза и выбранных прогнозных моделей, эксперт выбирает точки исходного временного ряда, которые необходимо включить в экзаменационную выборку, по точкам которой будут проверяться построенные прогнозы. По умолчанию экзаменационными считаются последних тактов временного ряда. Система прогнозирования выполняет построение набора конкурирующих прогнозов при помощи прогнозных моделей, выбранных и настроенных пользователем на основании алгоритма, описанного в разделе 2.4. После построения набора конкурирующих прогнозов и расчета значений критерия качества для каждого из них, система прогнозирования ранжирует эти прогнозы от «лучшего» к «худшему», после чего представляет список прогнозов эксперту с указанием значений этого критерия. Эксперт, просматривая последовательно (начиная с лучшего) прогнозы в виде совмещенных графиков исходного временного ряда, вспомогательного и окончательного прогнозов, выбирает наиболее рациональный. После того как прогноз построен, эксперт может отправить результаты прогнозирования на печать или осуществить экспорт в файл для последующего использования.

Задание экзаменационной выборки Эксперт Построение прогнозов Система прогнозирования Ранжирование прогнозов Система прогнозирования Выбор в диалоговом режиме лучшего прогноза (лучших прогнозов) Эксперт Экспорт или печать прогноза Эксперт В процессе настройки набора прогнозных моделей эксперт имеет возможность добавить произвольное количество моделей, с помощью которых будут строиться прогнозы. Допустимо добавлять одну и ту же модель, но с разными настройками ее параметров. Кроме того, можно удалять и повторно настраивать прогнозные модели. Структура диалогового алгоритма настройки набора прогнозных моделей приведена на рис. 2.6.

Рис. 2.6. Структура диалогового алгоритма настройки набора прогнозных моделей После добавления прогнозной модели осуществляется настройка её параметров. Для каждого параметра прогнозной модели эксперт устанавливает минимальную и максимальную границы, а также шаг изменения значения параметра. Эта информация будет использоваться в дальнейшем при построении набора конкурирующих прогнозов. Изначально система сама предлагает границы установки параметров модели, но в достаточно широком диапазоне. При понимании структуры прогнозной модели, а также основываясь на опыте предыдущих шагов прогнозирования, эксперт может корректировать диапазон изменения значений параметра прогнозной модели для построения дополнительных прогнозов или, напротив, для уменьшения множества построенных прогнозов за счет вывода из рассмотрения заведомо ненужных. Структура диалогового алгоритма настройки параметров прогнозной модели приведена на рис. 2.7.

Рис. 2.7. Структура диалогового алгоритма настройки параметров прогнозной модели В случае если ни один прогноз эксперта не устраивает, или эксперт считает возможным построить более качественные прогнозы, следует вернуться к шагу № 3 алгоритма и «подстроить» параметры прогнозирования, которые, по мнению эксперта, позволят достичь лучших результатов при повторном моделировании. Итогом выполнения шагов диалогового алгоритма является построенный прогноз, который выбран из множества конкурирующих прогнозов, предъявленных эксперту. Модели временных рядов не учитывают причинно-следственные связи, порождающие временные ряды, поэтому принципиально важным при выборе лучшего прогноза остается мнение эксперта, который может использовать свои представления о качестве прогнозов и оценить насколько они адекватны развивающейся ситуации.

2.6. Аддитивные модели прогнозирования Нами рассмотрено описание качества прогнозов, постановки задач прогнозирования как задач оптимизации и предложены алгоритмы поиска параметров моделей, приводящих к лучшим прогнозам. Для решения всех этих задач необходимо использование инструментария в виде специальных прогнозных моделей /13, 14, 17, 18, 28, 42, 43, 45, 53, 64, 65, 72, 74/ на основе временных рядов. В дополнение к прогнозным моделям, описанным в литературе, ниже предлагаются прогнозные модели, имеющие аддитивную структуру. Особенностью данных моделей является возможность проведения покомпонентного анализа временного ряда с выделением его составляющих в виде тренда, сезонной и случайной компоненты. При построении модели временного ряда будем отталкиваться от его аддитивного разложения (1.1). Сформулируем задачи анализа временного ряда (1.1) для построения модели: 1. определить, какие из неслучайных функций f тр (t ), (t ) и (t ) (тренд, сезонные, циклические факторы соответственно) присутствуют в разложении (1.1), т. е. определить значения индикаторов,, ;

2. построить «хорошие» оценки для тех неслучайных функций, которые присутствуют в разложении (1.1);

3. подобрать модель, адекватно описывающую поведение «случайных остатков» (t ), и статистически оценить параметры этой модели.

2.6.1. Определение наличия неслучайной составляющей во временном ряду В первую очередь необходимо проверить сам факт наличия или отсутствия неслучайной (и зависящей от времени t ) составляющей в разложении (1.1);

по существу, речь идет о статистической проверке гипотезы /56/ H 0 : Ex (t ) = a = const X = {x(1), x(2),..., x( N )}) (2.19) (включая утверждение о взаимной статистической независимости членов анализируемого временного ряда при различных вариантах конкретизации альтернативных гипотез типа /56/ h1 : Ex (t ) const.

(2.20) Для проверки этой гипотезы применим критерий серий, основанный на медиане. Расположим члены анализируемого временного ряда X = {x(1), x(2),..., x( N )} в порядке возрастания, т.е. образуем вариационный ряд x(1), x ( 2),..., x ( N ). Определим выборочную медиану xmed по формуле /55/ n +1 x ( 2 ), если n нечетно. = 1 x ( n ) + x ( n + 1), если n четно 2 2 xmed (2.21) После этого образуем «серии» из нулей и единиц, для чего вместо каждого члена ряда X (t ) запишем 1, если X (t ) > xmed или 0, если X (t ) < xmed (члены ряда, равные xmed, не учитываются). На статистическом анализе этих серий основана процедура проверки гипотезы (2.19). Образованная последовательность единиц и нулей характеризуется общим числом серий v (n ) и протяженностью самой длинной серии r (n ). При этом под «серией» понимается последовательность подряд идущих единиц или подряд идущих нулей. Для проверки гипотезы (2.19) воспользуемся правилом: если система неравенств 1 v ( n ) > n + 2 1.96 n 1, 2 r ( n ) < 1.43 ln(n + 1) ( ) (2.22) не имеет решения, то гипотеза (2.19) отвергается с вероятностью ошибки 0.05 0.0975 и подтверждается наличие зависящей от времени неслучайной составляющей в разложении (1.1) анализируемого временного ряда /56/. С помощью данной методики нами были проверены все временные ряды, подвергавшиеся анализу в ходе выполнения работы. Во всех этих рядах была выявлена неслучайная составляющая. Визуальный анализ показал, что в качестве неслучайной составляющей во всех анализируемых временных рядах имеет смысл выделять тренд и сезонную компоненту. Отказ от анализа циклической компоненты был принят на основании того факта, что, во-первых, временные ряды имеют длину не более 6 лет, в то время как циклические явления проявляются с периодичностью превышающей длину этих рядов. Вовторых, модель, использованная при анализе сезонной компоненты, может одновременно учитывать и циклическую компоненту временного ряда.

Таким образом, разложение временного ряда принимает вид x (t ) = f тр (t ) + (t ) + (t ). (2.23) 2.6.2. Анализ тренда В работе для описания тренда рассматривается модель регрессии вида x (t ) = f тр (t;

) + ( t ), t = 1,2,..., n, (2.24) в которой предполагается известным общий вид функции f тр (t;

), но неизвестными ) значения параметров = (1, 2,..., m )T. Оценки параметров строятся при помощи методов, описанных в разделе 1.2.1. В работе рассматриваются два случая общего вида функции f тр (t;

) : 1. функция f тр (t;

) имеет вид алгебраического полинома степени n, т.е. f1 (t;

) = 0 + 1t + 2t 2 + 3t 3 +... + n t n ;

2. функция f (t;

) имеет экспоненциальный вид, т.е. f 2 (t;

) = 0 e1t. (2.26) (2.25) ) Для нахождения оценок неизвестных параметров для описания трендов вида (2.25) и (2.26) моделями линейной множественной регрессии необходима замена переменных ) для линеаризации. После того, как оценки определены, потребуется обратная замена переменных для нахождения прогнозных значений при различных t. Для случая (2.25) используем замену t i = xi, i = 1,2,..., n. Тогда функция примет вид: f1 ( X ;

) = 0 + 1 x1 + 2 x2 + 3 x3 +... + n xn. (2.27) Для нахождения новых значений f1 ( X ;

) будем подставлять в нее xi = t i, i = 1,2,..., n. Для случая (2.26) после логарифмирования обеих частей уравнения заменим 0 = ln 0, ) и вместо исходных данных при нахождении будем использовать их натуральные логарифмы: ln( f 2 (t;

)) = 0 + 1 t. (2.28) Для нахождения новых значений f 2 (t;

) используем обратную замену 0 = e0 и получим: f 2 (t;

) = e0 +1t (2.29) При работе с данными временных рядов в большинстве случаев невозможно принять гипотезу о взаимной некоррелированности регрессионных остатков (t ), справедливость которой можно проверить, используя, например, критерий Дёрбина-Уотсона /79/. Поэтому в случаях, когда гипотеза отвергается, вместо классической линейной модели множественной регрессии (1.11) используем обобщенную линейную модель множественной регрессии с автокоррелированными остатками (1.50). Однако, при работе с моделью (1.50) нам априори остается неизвестным значение коэффициента корреляции между соседними по времени регрессионными остатками. В этом случае воспользуемся итерационной процедурой Кохрейна-Оркатта нахождения значения параметра /78/: 1. вычисляются обычные МНК-оценки МНК по формуле (1.36);

2. подсчитываются невязки 1-й итерации (1) = Y X МНК ;

3. первое приближение (1) оценки неизвестного параметра определяется в качестве 1) МНК-оценки коэффициента регрессии в модели i(1) = i(1 + i(1), где остатки i(1) удовлетворяют условиям классической модели (1.11);

4. вычисляются ОМНК-оценки ОМНК ( (1) ) по формуле (1.42) с матрицей 0 ( (1) ), определенной соотношением (1.51), в котором вместо подставлены значения (1) ;

5. подсчитываются невязки 2-й итерации ( 2 ) = Y X ОМНК ( (1) ) ;

6. второе приближение ( 2 ) оценки неизвестного параметра определяется в качестве МНК-оценки коэффициента регрессии в модели i( 2 ) = i(21) + i( 2 ), где остатки i( 2 ) удовлетворяют условиям классической модели (1.11);

7. вычисляются ОМНК-оценки ОМНК ( ( 2 ) ) по формуле (1.42) с матрицей 0 ( ( 2 ) ), определенной соотношением (1.51), в котором вместо подставлены значения ( 2 ) – и т. д. Процедуру заканчивают при стабилизации получаемых значений ( k ), т. е. на стадии, когда очередное приближение мало отличается от предыдущего /78/. После нахождения оценок неизвестных параметров, рассчитаем оценки f тр (t;

) функции f тр (t;

) для t = 1,2,..., n.

2.6.3. Анализ сезонной компоненты Перед началом анализа сезонной компоненты необходимо выделить тренд из исходного временного ряда (2.23): x (t ) = x (t ) f тр (t ). (2.30) Далее, полученный временной ряд x (t ) аппроксимируем рядами Фурье (1.72). Коэффициенты разложения рассчитываются по формулам (1.100) – (1.102), которые переписываются для рассматриваемого случая в виде: bn = 2 T 1 x (k ) cos(n k ), T k =0 2 T 1 x (k ) sin(n k ), T k =0 1 T 1 x (t ), T k =0 (2.31) an = (2.32) b0 = где (2.33) 2 ;

T r n = 1,2,..., M, где M = fft (x ) ;

0 = T – период (является параметром модели). Оценки значений сезонной компоненты x (t ) получим по формуле: (t ) = x (t ) = b0 + an sin(n 0 t ) + bn cos(n 0 t ).

n =1 n =1 M M (2.34) 2.6.4. Анализ случайной компоненты Для анализа случайной компоненты выделим сезонную компоненту (t ) временного ряда: x (t ) = x (t ) (t ). (2.35) из Допущение: после освобождения от тренда и сезонной компоненты считаем ряд стационарным, как это принято в /29, 56, 70/. Оценку случайной компоненты x (t ) получим, используя модель авторегрессии порядка p ( AR( p ) модель) (1.59). Для нахождения матрицы коэффициентов модели используем формулу (1.67). Тогда оценка случайной компоненты рассчитывается по формуле:

(t ) = x (t ) = j x (t j ) j =1 p (2.36) Оценки будущих значений временного ряда будем вычислять по формуле: x (t ) = f тр (t ) + (t ) + (t ), t = N + 1, N + 2,..., N +, где (2.37) временного ряда, N– число элементов исходного 1 N – горизонт прогнозирования.

2.7. Выводы к главе 1. Разработано эксперта.

многокритериальное описание качества прогнозов на основании сформированного множества критериев оценки их качества, учитывающих предпочтения 2. Для различных ситуаций содержательно описаны требования к качеству прогнозов как формальные постановки задачи прогнозирования. 3. Задача прогнозирования трансформирована в задачу оптимизации и решена на множестве конкурирующих прогнозов, где в качестве целевой функции используется функция качества прогноза, сконструированная на основе критериев оценки качества прогнозирования. 4. Разработан 5. Разработан алгоритм диалоговый построения алгоритм множества решения конкурирующих задачи прогнозов с как использованием различных и/или по-разному настроенных прогнозных моделей. прогнозирования многокритериальной задачи оптимизации на основе сформулированных критериев оценки качества прогноза. 6. Описаны прогнозные модели аддитивной структуры, позволяющие проводить покомпонентный анализ составляющих временного ряда: тренда, сезонной и случайной компоненты.

3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ Система прогнозирования реализована как подсистема «Прогноз» в составе информационной системы для надзора за инфекционными заболеваниями «Эпиднадзор», которая позволяет строить прогнозы на основании данных об инфекционной заболеваемости, хранящихся в интегрированной базе данных системы «Эпиднадзор». В настоящей главе рассматривается место подсистемы «Прогноз» в структуре информационной системы «Эпиднадзор», объектная модель системы прогнозирования, а также описывается пользовательский интерфейс системы прогнозирования.

3.1. Структура информационной системы «Эпиднадзор» Программное обеспечение информационной системы «Эпиднадзор» реализовано в двухуровневой архитектуре «клиент/сервер» /34, 36/, что обеспечивает: • • • надежность хранения и целостность информации;

регламентированный доступ к информации в многопользовательском режиме работы;

высокую производительность и снижение нагрузки на сеть за счет распределения процессов между серверами и рабочими станциями;

• • оптимизацию распределения вычислительной нагрузки между сервером и клиентом;

масштабируемость.

Серверная часть системы управляется СУБД «Oracle Standard 8.1.7» и предназначена для централизованного хранения данных об инфекционной заболеваемости, собранной на основании форм государственной и отраслевой статистической отчетности, а также включает в себя необходимые средства обработки данных на сервере: логический контроль, импорт и экспорт данных, выдачу данных по запросам клиентских приложений /2, 10, 76, /. Клиентская часть системы реализована как приложение для операционной системы «Microsoft Windows 98 SE» и выше на языке прогнозирования «C++» с использованием средства разработки приложений «Borland C++ Builder 6.0» и предназначена формирования запросов к серверу, обработки данных и их представления в виде таблиц, графиков, диаграмм, гистограмм, географических карт /3, 31, 46/.

Система прогнозирования интегрирована в клиентское приложение как подсистема «Прогноз», которая позволяет пользователю в ходе работы учесть все шаги диалогового алгоритма построения прогноза, описанного в разделе 2.5.

3.2. Объектная модель системы прогнозирования При построении информационной системы «Эпиднадзор» применялся объектноориентированный подход, в рамках которого и рассмотрим особенности реализации подсистемы «Прогноз». В подсистеме «Прогноз» можно выделить следующие логические группы классов: • • • • классы, образующие ядро системы прогнозирования;

классы, реализующие различные постановки задач прогнозирования;

классы, реализующие прогнозные модели;

интерфейсные классы.

Для иллюстрации внутренней логики работы системы, рассмотрим ее часть объектной модели, разработанной на языке «UML» /7, 27, 48/, включающую описание классов первых трех групп.

3.2.1. Диаграммы классов Взаимосвязь классов системы прогнозирования показаны на диаграммах классов, которые приведены на рис. 3.1, 3.2, 3.3. На который: • содержит постановку задачи прогнозирования, описываемую объектом класса рис. 3.1. представлена диаграмма классов, образующих ядро системы прогнозирования. В центре диаграммы расположен класс «Predictor», описывающий объект, «ForecastTask»;

• хранит набор настроенных конкурирующих прогнозных моделей, описываемых объектами класса «ForecastModel»;

• хранит результаты прогнозирования, описываемые объектами класса «Forecast», полученные с использованием конкурирующих прогнозных моделей.

TimeSeria tau_0 : unsigned int TimeSeria() ~TimeSeria() <> min() <> max() <> avg() <> std_dev() Inverse() <> operator-() <> operator+() <> +forecast +tune Forecast model_name : AnsiString param_values : AnsiString quality : double Forecast() ~Forecast() TuneAndForecast() <> GetQuality() +forecasts <> 0..* Predictor models : map > > exam_tacts : set Predictor() ~Predictor() Predict() SetForecastTask() AddForecastModel() EditForecastModel() RemoveForecastModel() BoundMatrixToParamMatrix() 0..* -forecast_task ForecastTask ForecastTask() ~ForecastTask() <> Quality() ForecastModel ForecastModel() <> ~ForecastModel() <> Predict() <> ModelName() <> ParamString() SetParamValues() Рис. 3.1. Классы, образующие ядро системы прогнозирования На рис. 3.2. показаны наследники класса «ForecastTask», реализующие формальные постановки задач прогнозирования. Объект класса «MinSumAbsDev» соответствует постановке задачи прогнозирования (2.9), объект класса «MinStdDev» – постановке задачи (2.10), объект класса «MinMaxDev» – постановке задачи (2.11), класс «MinAvgError» – постановке задачи (2.12), класс «WeightCr» – постановке задачи (2.16), класс «PredictMax» – постановке задачи (2.15).

MinStdDev <> Quality() MinSumAbsDev <> Quality() MinMaxDev <> Quality() ForecastTask ForecastTask() ~ForecastTask() <> Quality() MinAvgError <> Quality() PredictMax std_dev_weight : double max_weight : double max_tact_weight : double <> Quality() WeightCr std_dev_weight : double sum_abs_weight : double max_dev_weight : double <> Quality() Рис. 3.2. Классы, реализующие различные постановки задач прогнозирования На рис. 3.3. показаны наследники класса «ForecastModel», реализующие конкретные прогнозные модели, а также класс «ForecastModelParameter», предназначенный для формализации описания параметров прогнозных моделей, настраиваемых пользователем. Объекты класса «LinearRegression» реализуют прогнозную модель (1.51), объекты класса «Fourier» – прогнозную модель (1.72), объекты класса «AR» – прогнозную модель (1.59), объекты класса «ExTrend» – прогнозную модель (2.26), объекты классов «CompleteModel» и «CompleteModelEx» – прогнозную модель, описанную в разделе 2.6 с трендами вида (2.25) и (2.26) соответственно..

LinearRegression LinearRegression() <> Predict() ModelName() AR AR() <> Predict() ModelName() <> auto_corr() Fourier Fourier() Predict() ModelName() <> fft() ForecastModel ForecastModel() <> ~ForecastModel() <> Predict() <> ModelName() <> ParamString() SetParamValues() <> ForecastModelParameter value : float name : AnsiString short_name : AnsiString lower_bound : float upper_bound : float data_type : SEDataType* +params ForecastModelParameter() ~ForecastModelParameter() SetValue() <> Validate() <> GetValue() <> GetUpperBound() <> GetLowerBound() <> GetName() <> GetShortName() ExTrend ExTrend() <> Predict() ModelName() CompleteModel CompleteModel() ~CompleteModel() <> Predict() ModelName() CompleteModelEx CompleteModelEx() ~CompleteModelEx() <> Predict() ModelName() Рис. 3.3. Классы, реализующие прогнозные модели 3.2.2. Описание классов подсистемы прогнозирования 3.2.2.1. Класс «Predictor» Класс «Predictor» – класс, управляющий подсистемой прогнозирования. Он позволяет хранить набор конкурирующих прогнозных моделей и управлять им, строить прогнозы с использованием каждой из моделей, оценивать качество полученных прогнозов и ранжировать конкурирующие прогнозные модели в зависимости от постановки задачи прогнозирования. Описание методов класса приведено в табл. 3.1;

описание атрибутов класса – в табл. 3.2.

Таблица 3.1 Методы класса «Predictor» Название метода Predictor ~Predictor Predict SetForecastTask AddForecastModel EditForecastModel RemoveForecastModel BoundMatrixToParamMatrix Возвращаемые данные, название, входные данные метода Predictor (ForecastTaskList _forecast_task) ~Predictor (void) void Predict (TimeSeria _seria, unsigned int tau) void SetForecastTask (ForecastTaskList _foreca st_task) void AddForecastModel (ForecastModelType model_type) void EditForecastModel (unsigned int index) void RemoveForecastModel (unsigned int index) vector > BoundMatrixToParamMatrix (ZMatrix bound_matrix) Назначение Конструктор класса. Инициализируется постановкой задачи прогнозирования Деструктор класса Построение прогнозов для временного ряда _seria на tau тактов вперед Изменение постановки задачи прогнозирования Добавление модели к набору конкурирующих прогнозных моделей Изменение параметров прогнозной модели Удаление модели из набора конкурирующих прогнозных моделей Внутренний метод класса. Предназначен для преобразования матрицы диапазонов параметров модели в матрицу параметров модели Таблица 3.2 Атрибуты класса «Predictor» Название атрибута Forecasts vector Тип данных Назначение Хранение набора прогнозов, построенных при помощи множества конкурирующих прогнозных моделей Хранение множества конкурирующих прогнозных моделей и их параметров Хранение множества экзаменационных тактов Models exam_tacts map > > set 3.2.2.2. Класс «ForecastModel» Класс «ForecastModel» – базовый класс, от которого наследуются классы, реализующие конкретные прогнозные модели. Этот абстрактный класс предназначен для спецификации поведения классов-наследников. Описание методов класса приведено в табл. 3.3;

описание атрибутов класса – в табл. 3.4.

Таблица 3.3 Методы класса «ForecastModel» Название метода ForecastModel ~ForecastModel Predict Возвращаемые данные, название, входные данные метода ForecastModel (void) <> ~ForecastModel (void ) TimeSeria <> Predict (TimeSeria _seria, vector param_values, unsigned int tau) AnsiString <> ModelName (void ) AnsiString <> ParamString (void ) void SetParamValues param_values) (vector Назначение Конструктор класса Деструктор класса Строит прогноз на tau тактов вперед для временного ряда _seria с параметрами прогнозной модели param_values Возвращает название прогнозной модели Возвращает названия и значения параметров прогнозной модели Устанавливает новые значения параметров пронозной модели из param_values ModelName ParamString SetParamValues Таблица 3.4 Атрибуты класса «ForecastModel» Название атрибута Params Тип данных vector Назначение Хранение набора параметров прогнозной модели 3.2.2.3. Класс «ForecastModelParameter» Класс «Параметр прогнозной модели» предназначен для формализации описания параметров прогнозных моделей настраиваемых пользователем. Список параметров инициализируется в конструкторах наследников класса «ForecastModel».

Таблица 3.5 Методы класса «ForecastModelParameter» Название метода ForecastModelParameter Возвращаемые данные, название, входные данные метода ForecastModelParameter (const char* _name, const char* _short_name, const char* _data_type, const float _lower, const float _upper) Назначение Конструктор класса. Инициализируется названием параметра «_name», обозначением «_short_name», типом данных «_data_type», и ограничениями назначение снизу («_lower») и сверху («_upper») Деструктор класса Устанавливает новое значение параметра Проверяет, соответствует ли задаваемое значение параметра типу данных и ограничениям сверху и снизу, наложенным на параметр Возвращает текущее значение параметра Возвращает ограничение сверху на значение параметра Возвращает ограничение снизу на значение параметра Возвращает название параметра Возвращает обозначение параметра ~ForecastModelParameter SetValue Validate ~ForecastModelParameter (void ) void SetValue (const AnsiString& _value) bool <> Validate (const AnsiString& _value) GetValue GetUpperBound GetLowerBound GetName GetShortName float <> GetValue (void) float <> GetUpperBound (void) float <> GetLowerBound (void) AnsiString <> GetName (void) AnsiString <> GetShortName (void) Таблица 3.6 Атрибуты класса «ForecastModelParameter» Название атрибута Value Name short_name lower_bound upper_bound data_type float AnsiString AnsiString float float SEDataType* Тип данных Назначение Хранит текущее значение параметра Хранит название значение параметра Хранит обозначение параметра Хранит ограничение снизу на значение параметра Хранит ограничение сверху на значение параметра Тип данных параметра 3.2.2.4. Класс «LinearRegression» Наследник класса «ForecastModel». Реализует расчет тренда методом полиномиальной регрессии с учетом автокорреляции в случайных остатках (1.51). Все методы и атрибуты этого класса унаследованы от класса «ForecastModel» и описаны в табл. 3.3 и табл. 3.4 соответственно.

3.2.2.5. Класс «Fourier» Наследник класса «ForecastModel». Реализует моделирование поведения временного ряда при помощи описания рядами Фурье (1.72). Методы и атрибуты этого класса, унаследованные от класса «ForecastModel», описаны в табл. 3.3 и табл. 3.4 соответственно. Методы, класса «Fourier» приведены в табл. 3.7.

Таблица 3.7 Методы класса «Fourier» Название метода Fft Возвращаемые данные, название, входные данные метода vector<_STL::complex > <> fft (const TimeSeria v) Назначение Внутренний метод класса. Производит быстрое преобразование Фурье для временного ряда v 3.2.2.6. Класс «AR» Наследник класса «ForecastModel». Реализует моделирование поведения временного ряда при помощи модели авторегрессии (1.59). Методы и атрибуты этого класса, унаследованные от класса «ForecastModel», описаны в табл. 3.3 и табл. 3.4 соответственно. Методы, класса «AR» приведены в табл. 3.8.

Таблица 3.8 Методы класса «AR» Название метода auto_corr Возвращаемые данные, название, входные данные метода double <> auto_corr (TimeSeria _seria, const double tau) Назначение Внутренний метод класса. Возвращает значение автокорреляционной функции для временного ряда _seria, в точке tau 3.2.2.7. Класс «CompleteModel» Наследник класса «ForecastModel». Реализует моделирование поведения временного ряда при помощи модели, описанной в разделе 2.6 с трендом вида (2.25). Методы и атрибуты этого класса, унаследованные от класса «ForecastModel», описаны в табл. 3.3 и табл. 3.4 соответственно.

3.2.2.8. Класс «ExTrend» Наследник класса «ForecastModel». Реализует моделирование экспоненциального тренда вида (2.26). Методы и атрибуты этого класса, унаследованные от класса «ForecastModel», описаны в табл. 3.3 и табл. 3.4 соответственно.

3.2.2.9. Класс «CompleteModelEx» Наследник класса «ForecastModel». Реализует моделирование поведения временного ряда при помощи модели, описанной в разделе 2.6 с трендом вида (2.26). Методы и атрибуты этого класса, унаследованные от класса «ForecastModel», описаны в табл. 3.3 и табл. 3.4 соответственно.

3.2.2.10. Класс «TimeSeria» Класс «Временной ряд» предназначен для хранения временных рядов и используется для их передачи между классами подсистемы прогнозирования. Класс унаследован от шаблонного класса std::vector. Под временным рядом внутри класса понимается упорядоченный набор чисел с плавающей точкой. Описание методов класса приведено в табл. 3.9;

описание атрибутов класса – в табл. 3.10.

Таблица 3.9 Методы класса «TimeSeria» Название метода TimeSeria TimeSeria Возвращаемые данные, название, входные данные метода TimeSeria (void ) TimeSeria (vector _seria, unsigned int _tau_0 = 0) ~TimeSeria (void ) double min(void) const double max(void) const double avg(void) const double std_dev(void) const Назначение Конструктор класса по умолчанию. Конструктор класса, инициализирующий временной ряд из набора чисел с плавающей точкой «_seria» Деструктор класса Возвращает минимальное значение временного ряда Возвращает максимальное значение временного ряда Возвращает среднее значение временного ряда Возвращает среднее квадратическое отклонение временного ряда ~TimeSeria Min Max Avg std_dev Название метода Inverse Возвращаемые данные, название, входные данные метода void inverse(void) Назначение Инвертирует временной ряд. При этом первый элемент ряда становится последним, второй – предпоследним и т.д. Возвращает временной ряд, значения которого являются суммой соответствующих значений во временном ряду хранящимся в объекте и временном ряду rhs. Размер ряда, хранящегося в объекте и ряда rhs должны совпадать. Возвращает временной ряд, значения которого являются разностью соответствующих значений во временном ряду хранящимся в объекте и временном ряду rhs. Размер ряда, хранящегося в объекте и ряда rhs должны совпадать.

operator+ TimeSeria operator+(const TimeSeria& rhs) const operator TimeSeria operator-(const TimeSeria& rhs) const Таблица 3.10 Атрибуты класса «TimeSeria» Название атрибута tau_0 unsigned int Тип данных Назначение Номер начального такта временного ряда 3.2.2.11. Класс «ForecastTask» Класс «ForecastTask» предназначен для формализации описания постановок задач прогнозирования. Класс имеет абстрактный метод Quality, который реализуется в наследниках этого класса для расчета значения критерия качества прогноза. Описание методов класса приведено в табл. 3.11.

Таблица 3.11 Методы класса «ForecastTask» Название метода ForecastTask ~ForecastTask Quality Возвращаемые данные, название, входные данные метода ForecastTask (void) ~ForecastTask (void) double <> Quality (const TimeSeria& od, const TimeSeria& md) Назначение Конструктор класса Деструктор класса Абстрактный метод, описывающий параметры функции качества в классахнследниках. В качестве входных параметров два временных ряда: «od» – реальные данные, «md» – модельные данные. Функция возвращает значение критерия качества прогнозирования 3.2.2.12. Класс «MinAvgError» Наследник класса «ForecastTask». Реализует постановку задачи прогнозирования (2.?). Методы этого класса, унаследованные от класса «ForecastTask», описаны в табл. 3.11.

3.2.2.13. Класс «MinMaxDev» Наследник класса «ForecastTask». Реализует постановку задачи прогнозирования (2.11). Методы этого класса, унаследованные от класса «ForecastTask», описаны в табл. 3.11.

3.2.2.14. Класс «MinStdDev» Наследник класса «ForecastTask». Реализует постановку задачи прогнозирования (2.10). Методы этого класса, унаследованные от класса «ForecastTask», описаны в табл. 3.11.

3.2.2.15. Класс «MinSumAbsDev» Наследник класса «ForecastTask». Реализует постановку задачи прогнозирования (2.9). Методы этого класса, унаследованные от класса «ForecastTask», описаны в табл. 3.11.

3.2.2.16. Класс «WeightCr» Наследник класса «ForecastTask». Реализует постановку задачи прогнозирования (2.16). Методы этого класса, унаследованные от класса «ForecastTask», описаны в табл. 3.11. Описание атрибутов класса «WeightCr» приведено в табл. 3.12.

Таблица 3.12 Атрибуты класса «WeightCr» Название атрибута std_dev_weight sum_abs_weight max_dev_weight Double Double Double Тип данных Назначение Хранит вес, с которым учитывается критерий (2.3) Хранит вес, с которым учитывается критерий (2.2) Хранит вес, с которым учитывается критерий (2.4) 3.2.2.17. Класс «PredictMax» Наследник класса «ForecastTask». Реализует постановку задачи прогнозирования (2.15). Методы этого класса, унаследованные от класса «ForecastTask», описаны в табл. 3.11. Описание атрибутов класса «PredictMax» приведено в табл. 3.13.

Таблица 3.13 Атрибуты класса «PredictMax» Название атрибута std_dev_weight max_weight max_tact_weight double double double Тип данных Назначение Хранит вес, с которым учитывается критерий (2.3) Хранит вес, с которым учитывается критерий (2.6) Хранит вес, с которым учитывается критерий (2.7) 3.2.2.18. Класс «Forecast» Класс «Forecast» хранит результаты прогнозирования, полученные в ходе работы системы. Описание методов класса приведено в табл. 3.14;

описание атрибутов класса – в табл. 3.15.

Таблица 3.14 Методы класса «Forecast» Название метода Forecast ~Forecast TuneAndForecast Возвращаемые данные, название, входные данные метода Forecast (void) ~Forecast (void) TimeSeria TuneAndForecast (void) Назначение Конструктор класса Деструктор класса Возвращает временной ряд, содержащий прогноз на такты экзаменационной выборки, а также собственно прогноз Возвращает значение критерия качества прогноза GetQuality double <> GetQuality (void) Таблица 3.15 Атрибуты класса «Forecast» Название атрибута model_name param_values Quality AnsiString AnsiString Double Тип данных Назначение Хранит название модели, с помощью которой построен прогноз Хранит значения параметров модели, с помощью которой построен прогноз Хранит значение критерия качества прогноза 3.3. Пользовательский интерфейс системы прогнозирования 3.3.1. Назначение основных элементов интерфейса пользователя Главное окно системы прогнозирования, представленное на рис. 3.4, предназначено для построения прогнозов и их представления в графическом виде.

Рис. 3.4. Пользовательский интерфейс системы прогнозирования В верхней части окна расположена панель инструментов, назначении которой описано в табл. 3.16.

Таблица 3.16 Назначение кнопок на панели инструментов Изображение кнопки Название кнопки Добавить модель Параметры модели Убрать модель Построить прогноз Показать/скрыть значения Печатать Экспорт Копировать график Закрыть Назначение Добавляет модель, которая будет использоваться при построении прогноза (выбор из списка доступных моделей) Открывает диалоговое оно настройки параметров выбранной прогнозной модели Убирает модель из списка выбранных прогнозных моделей Запускает процедуру построения прогнозов Показывает или скрывает значения по оси ординат около точек на сериях графика Выводит на печать результаты прогнозирования Экспортирует график в формат «BMP» Копирует график в буфер обмена «Windows» Закрывает окно подсистемы прогнозирования 3.3.2. Настройка параметров прогнозирования В левой части окна системы прогнозирования расположены элементы управления, с помощью которых настраиваются параметры прогнозирования. В списке «постановка задачи» перечислены возможные формальные постановки задачи прогнозирования (соответствуют постановкам, описанным в разделе 2.2). Эксперту необходимо выбрать одну из них. По умолчанию выполняется минимизация суммы модулей отклонений прогнозных значений от исходного временного ряда. При выборе некоторых постановок задач возможно появление дополнительных диалоговых окон, запрашивающих у эксперта дополнительные параметры. Пример такого окна приведен на рис. 3.5.

Рис. 3.5. Запрос дополнительных параметров при выборе постановки задачи прогнозирования Список «Выбранные модели» содержит определенный пользователем набор прогнозных моделей, которые будут использоваться при построении прогноза. Добавить модель, удалить модель, или настроить параметры модели, выбранной в списке, можно используя выпадающее по правой кнопке мыши меню, представленное на рис. 3.6, или используя кнопки «Добавить модель», «Убрать модель», «Параметры модели» соответственно на панели инструментов.

Рис. 3.6. Выпадающее меню для добавления, настройки и удаления прогнозных моделей При настройке параметров прогнозной модели необходимо указать минимальное, максимальное и шаг изменении значения для каждого из параметров прогнозной моделей. Для каждой прогнозной модели набор параметров индивидуален. Окно для настройки параметров прогнозной модели приведено на рис. 3.7.

Рис. 3.7. Окно для настройки параметров прогнозной модели В поле «Горизонт прогнозирования» указывается количество тактов, на которые требуется построить прогноз. При изменении значения в этом поле на графике в центре окна желтым цветом помечается область прогноза. В поля «Не учитывать такты слева» и «Не учитывать такты справа» вносится число тактов в начале и в конце анализируемого временного ряда соответственно, которые не следует учитывать при построении прогноза. При изменении значений в этих полях неучитываемые такты помечаются на графике диагональной штриховкой.

3.3.3. Настройка параметров отображения результатов прогнозирования Пользователь может настраивать вид графика в центре окна с помощью набора параметров «Отображать на графике», выводя на него или скрывая следующие данные: • • • неучитываемые такты и область прогноза (параметр «области»);

исходный временной ряд (параметр «Исходные данные»);

временной рад, полученный в процессе проверки прогноза на экзаменационной выборке (параметр «Настройка»);

• • прогноз (параметр «Прогноз»);

описательные статистики»). статистики для исходного временного ряда (параметр «Описат.

График с результатами прогнозирования, на котором отображены неучитываемые такты и область прогноза, исходный временной ряд, настройка прогноза и прогноз приведен на рис. 3.4. График, на котором отображены неучитываемые такты и область прогноза, исходный временной ряд и его описательные статистики приведен на рис. 3.8. Красным пунктиром на нем отмечено среднее значение исходного временного ряда в анализируемой области, синим пунктиром – среднее квадратическое отклонение значений временного ряда от его среднего значения.

Рис. 3.8. Пример отображения исходных данных в системе прогнозирования Масштабирование графика осуществляется при помощи выделения нужного диапазона левой кнопкой мыши. Сдвиг графика – правой кнопкой мыши. Кроме того, возможен вывод значений временного ряда на график при помощи кнопки «Показать/скрыть значения» на панели инструментов, описанной выше. Пример отображения участка графика с выводом значений временного ряда приведен на рис. 3.9.

Рис. 3.9. Пример отображения участка временного ряда 3.3.4. Выбор рационального прогноза в диалоговом режиме Для построения набора конкурирующих прогнозов необходимо нажать кнопку «Построить прогноз» на панели инструментов. После расчета в нижней части окна системы прогнозирования будет выведен ранжированный список построенных прогнозов с указанием использованной прогнозной модели и ее параметров, значение критерия качества оценки прогноза, а также величина критерия «средняя ошибка» (2.5). Этот критерий позволяет наглядно представить и сравнить качество прогнозов, построенных на основании разных по масштабу данных, поскольку в нем осуществляется переход к относительным величинам, что позволяет эксперту легко интерпретировать величины ошибок. Для отображения прогноза на графике необходимо щелкнуть левой кнопкой мыши на прогноз в списке прогнозов. Допустимо выводить на график несколько прогнозов одновременно. Далее, эксперт, визуально анализируя построенные прогнозы и значения критериев качества прогнозирования, выбирает наиболее адекватные прогнозы или делает выводы о том, как изменить параметры прогнозирования с тем, чтобы получить более качественный прогноз.

3.4. Выводы к главе 1. Разработана объектная модель системы прогнозирования, позволяющая расширять возможности системы путем добавления новых прогнозных моделей и постановок задач прогнозирования. 2. Спроектирован пользовательский интерфейс системы прогнозирования, учитывающий все шаги диалогового алгоритма построения прогноза, описанного в главе 2. 3. Выполнена программная реализация подсистемы «Прогноз» для информационной системы «Эпиднадзор», предназначенной для построения прогнозов на основании данных об инфекционной заболеваемости, хранящихся в интегрированной базе данных системы «Эпиднадзор», с учетом теоретических положений, изложенных в главе 2. 4. Проведена проверка корректности работы системы прогнозирования на реальных данных.

4. ПРИМЕРЫ ПОСТРОЕНИЯ ПРОГНОЗОВ С ПОМОЩЬЮ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ В главе приводятся примеры прогнозов, построенных с помощью разработанной системы прогнозирования на основании анализа временных рядов, описывающих заболеваемость вирусным гепатитом А и бактериальной дизентерией в Российской Федерации /26, 73/. Использованы данные о заболеваемости, собираемые ежемесячно на основе формы № 1 «Инфекционная и паразитарная заболеваемость» государственного статистического наблюдения, и опубликованные в /19, 20, 21, 22, 23, 24, 25, 51, 52/. В процессе построения прогнозов подробно рассматриваются вопросы практической реализации диалогового алгоритма решения задачи прогнозирования, а также влияние выбора формальной постановки задачи прогнозирования на результат решения этой задачи. Краткое описание прогнозных моделей, использующихся для построения прогнозов, и их обозначение, принятое в настоящей главе приведены в табл. 4.1.

Таблица 4.1 Модели, использованные для построения прогнозов №№ 1 Обозначение модели LR(a, k) Описание модели Модель описывает тренд в виде алгебраического полинома порядка « a » (см. 2.25). Параметр « k » принимает значение 1 в случае, если в модели учитывается автокорреляция случайных остатков, и 0 в противном случае. Модель авторегрессии порядка « p ». Подробное описание приведено в разделе 1.2.2. Модель, аппроксимирующая временной ряд радами Фурье с периодом «T». Подробное описание приведено в разделе 1.2.5. Модель описывает экспоненциальный тренд (см. 2.26). Значения параметров « a » и « b » являются расчетными и пользователем не указываются. Модель, реализующая покомпонентный анализ временного ряда: выделение полиномиального тренда, описание сезонной компоненты рядами Фурье, моделирование поведения случайной компоненты при помощи модели авторегрессии. Параметры « a » и « k » аналогичны параметрам модели LR(a, k). Параметр «T» – период ряда Фурье, « p » – порядок авторегрессии. Подробное описание модели приведено в разделе 2.6. Модель, аналогичная предыдущей за исключением вида тренда: вместо полиномиального используется экспоненциальный. Значения параметров a и b являются расчетными и пользователем не указываются 2 3 AR(p) F(T) Exp(a + b*x) LR(a, k) + F(T) + AR(p) Exp(a + b*x) + F(T) + AR(p) При построении прогнозов значительная роль отведена эксперту-прогнозисту (далее эксперту), в роли которого выступил сотрудник Федерального центра госсанэпиднадзора Минздрава России, после обучения работе с разработанной системой прогнозирования.

4.1. Использование диалогового алгоритма решения задачи прогнозирования при построении прогноза Рассмотрим применение разработанной системы прогнозирования и диалогового алгоритма построения прогноза на примере построения прогноза заболеваемостью гепатитом А в России у детей до 14 лет. В качестве исходных данных возьмем ежемесячные показатели заболеваемости на 100 тысяч населения, начиная с января 1998 года, которые рассчитываются как частное абсолютного числа заболевших лиц и общей численности рассматриваемого контингента населения, умноженное на 105. Исходный временной ряд приведен на рис. 4.1.

Рис. 4.1. Показатели заболеваемости гепатитом А у детей до 14 лет в Российской Федерации Изучив графическое представление временного ряда, эксперт пришел к выводу, что прогноз будет строиться на основании всех имеющихся данных, за исключением последних трех тактов, чтобы на них продемонстрировать совпадение прогнозных значений с реальными данными. Таким образом, временной ряд, на основании которого строится прогноз, будет иметь длину N = 75 тактов. Горизонт прогнозирования – три такта ( = 3 ).

При прогнозировании воспользуемся всем доступным множеством прогнозных моделей, указав при этом достаточно широкий диапазон их параметров, с тем, чтобы проанализировать особенности каждой из них. В качестве критерия оценки качества прогноза выберем стандартный и наиболее распространенный критерий (2.3), состоящий из суммы квадратов отклонений прогноза от реальных данных. Оценку качества прогнозирования будем проводить по трем последним тактам временного ряда. По результатам моделирования выявлены наиболее интересные прогнозы, построенные с использованием каждой из прогнозных моделей №№ 1 – 6 и отобранные экспертом после их ранжирования системой прогнозирования. Рассмотрим каждый из этих прогнозов и отметим особенности каждого из них. Прогноз, построенный при помощи прогнозной модели № 1, представлен на рис. 4.2. Наиболее точным оказался прогноз, полученный на основании значений квадратичного полинома без учета автокорреляции в остатках. Однако, при этом видно значительное несоответствие модельных данных и реальных на оценочном интервале. Тот же факт виден после анализа числовых характеристик прогноза, приведенных в табл. 4.2. Действительно средняя ошибка при проверке прогноза на экзаменационной выборке составила 22,3 %, тогда как реальная ошибка прогноза – 3,98 %. Кроме того, кажется нелогичным снижение относительной ошибки прогноза с увеличением номера такта (то есть по мере удаления в будущее). Таким образом, эксперт приходит к выводу о том, что такое точное совпадение реальных и прогнозных данных в данной ситуации может объясняться удачным совпадением и надежность такого прогноза, с его точки зрения, не высока. В ходе работы эксперт счел интересным поведение полинома четвертой степени, который, при худших результатах по критерию V2 = 1,65, но лучших по величине средней ошибки V4 = 21,07 %, неплохо может выступать в роли тренда в составе модели, учитывающей сезонную составляющую временного ряда.

Рис. 4.2. Прогноз заболеваемости гепатитом А у детей до 14 лет в России, построенный с помощью прогнозной модели LR(2, 0) Таблица 4.2 Оценка качества прогноза, построенного при помощи прогнозной модели № Относительная ошибка прогнозных значений N +1 t N + t = N +1 t= N +2 t = N + Номер такта, Искомые значения временного ряда, x (t ) 3,38 3,29 2, Прогнозные значения, x (t ) 3,551 3,127 2, t = x (t ) x (t ) 100% x (t ) 5,06 4,95 1,93 3,98 22,3 1, Средняя относительная ошибка прогнозных значений = 1 t N + t = N + t Средняя ошибка прогноза (по результатам настройки), = V4 % Значение критерия оценки качества прогноза V Прогноз, построенный при помощи прогнозной модели № 2, представлен на рис. 4.3. Авторегрессионная модель, с помощью которой получен прогноз, учитывает лишь случайные составляющие временного ряда. Судя по характеру анализируемого временного ряда, в нем существенную роль играют сезонные колебания, которые данной моделью не учитываются. Этим и объясняется тот факт, что полученные прогнозные значения, недостаточно точно описывают исходный временной ряд. Числовые характеристики прогноза приведены в табл. 4.3.

Рис. 4.3. Прогноз заболеваемости гепатитом А у детей до 14 лет в России, построенный с помощью прогнозной модели AR(1) Таблица 4.3 Оценка качества прогноза, построенного при помощи прогнозной модели № Относительная ошибка прогнозных значений N +1 t N + t = N +1 t = N +2 t = N + Номер такта, Искомые значения временного ряда, x (t ) 3,38 3,29 2, Прогнозные значения, x (t ) 3,889 3,461 3, t = x (t ) x (t ) 100% x (t ) 15,06 5,20 16,70 12,32 19,33 1, Средняя относительная ошибка прогнозных значений = 1 t N + t = N + t Средняя ошибка прогноза (по результатам настройки), = V4 % Значение критерия оценки качества прогноза V Прогноз, построенный при помощи прогнозной модели № 3, представлен на рис. 4.4. Числовые характеристики построенного прогноза приведены в табл. 4.4. Прогноз, получен при значении параметра прогнозной модели – периода колебаний T = 60. Прогнозные значения оказались очень далекими от реальных, но при этом модель очень точно «чувствует» сезонность заболевания на всей длине временного ряда. Большая величина критерия качества 20,93 и средней ошибки 334 % объясняется тем, что не был выделен тренд. Наилучшие результаты дало прогнозирование со значениями периода T = 55,56,...,59. Однако в данном случае эксперт счел различие в значениях критерия оценки качества не существенными. Одновременно с этим при значении периода T = 60 лучше описывается сезонность. Этот факт можно объяснить тем, что основной период колебаний получился равным ровно пяти годам. То есть основной период колебаний составляет ровно 5 лет, что очень логично связывается с гипотезой о четкой сезонности заболевания. Кроме того, эксперт отметил, что хорошие результаты может дать прогнозирование с периодом 55 – 65, при условии предварительного выделения тренда.

Рис. 4.4. Прогноз заболеваемости гепатитом А у детей до 14 лет в России, построенный с помощью прогнозной модели F(60) Таблица 4.4 Оценка качества прогноза, построенного при помощи прогнозной модели № Относительная ошибка прогнозных значений N +1 t N + t = N +1 t= N +2 t = N + Номер такта, Искомые значения временного ряда, x (t ) 3,38 3,29 2, Прогнозные значения, x (t ) 21,002 20,528 20, t = x (t ) x (t ) 100% x (t ) 521,36 523,95 677,01 574,11 335 20, Средняя относительная ошибка прогнозных значений = 1 t N + t = N + t Средняя ошибка прогноза (по результатам настройки), = V4 % Значение критерия оценки качества прогноза V Прогноз, построенный при помощи прогнозной модели № 4, представлен на рис. 4.5. Числовые характеристики построенного прогноза приведены в табл. 4.5.

Рис. 4.5. Прогноз заболеваемости гепатитом А у детей до 14 лет в России, построенный с помощью прогнозной модели exp(a+bx) Интересных результатов экспоненциальный тренд в данном случае не дал, так как характер временного ряда явно не экспоненциальный. Эксперт остается верным гипотезе о наличии во временном ряду полиномиального тренда.

Таблица 4.5 Оценка качества прогноза, построенного при помощи прогнозной модели № Относительная ошибка прогнозных значений N +1 t N + t = N +1 t= N +2 t = N + Номер такта, Искомые значения временного ряда, x (t ) 3,38 3,29 2, Прогнозные значения, x (t ) 7,75 7,79 7, t = x (t ) x (t ) 100% x (t ) 129,29 136,78 196,36 154,14 62 3, Средняя относительная ошибка прогнозных значений = 1 t N + t = N + t Средняя ошибка прогноза (по результатам настройки), = V4 % Значение критерия оценки качества прогноза V Прогноз, построенный при помощи прогнозной модели № 5, представлен на рис. 4.6.

Рис. 4.6. Прогноз заболеваемости гепатитом А у детей до 14 лет в России, построенный с помощью прогнозной модели LR(0, 0) + F(60) + AR(3) Прогноз получен при использовании аддитивной модели, в которой учтен полиномиальный тренд нулевого порядка, сезонная компонента, построенная на основе аппроксимации рядами Фурье с периодом T = 60, и случайная компонента, описанная автокорреляционной моделью 3-го порядка. Наряду с хорошими показателями качества прогноза, приведенными в табл. 4.6, на графике видно, что модельные данные на всей длине ряда хорошо описывают исходные данные. Кроме того, рост относительной ошибки с увеличением номера такта в прогнозе также кажется логичным.

Таблица 4.6 Оценка качества прогноза, построенного при помощи прогнозной модели № Относительная ошибка прогнозных значений N +1 t N + t = N +1 t = N +2 t = N + Номер такта, Искомые значения временного ряда, x (t ) 3,38 3,29 2, Прогнозные значения, x (t ) 3,408 3,41 3, t = x (t ) x (t ) 100% x (t ) 0,83 3,65 36,21 13,56 3,74 0, Средняя относительная ошибка прогнозных значений = 1 t N + t = N + t Средняя ошибка прогноза (по результатам настройки), = V4 % Значение критерия оценки качества прогноза V Прогноз, построенный при помощи прогнозной модели № 6, представлен на рис. 4.7. Числовые характеристики прогноза приведены в табл. 4.7. Прогноз получен при использовании аддитивной модели, в которой учтен экспоненциальный тренд, сезонная компонента, построенная на основе аппроксимации рядами Фурье с периодом T = 60, и случайная компонента, описанная автокорреляционной моделью 3-го порядка. По сравнению с предыдущим прогнозом налицо ухудшение качества. Это объясняется изменением вида тренда с полиномиального на экспоненциальный, ведь, как предполагалось выше, экспоненциальный тренд в данном случае применять не следует.

Рис. 4.7. Прогноз заболеваемости гепатитом А у детей до 14 лет в России, построенный с помощью прогнозной модели exp(a+bx) + F(60) + AR(1) Таблица 4.7 Оценка качества прогноза, построенного при помощи прогнозной модели № Относительная ошибка прогнозных значений N +1 t N + t = N +1 t= N +2 t = N + Номер такта, Искомые значения временного ряда, x (t ) 3,38 3,29 2, Прогнозные значения, x (t ) 5,38 5,197 5, t = x (t ) x (t ) 100% x (t ) 59,17 57,96 116,02 77,72 43,55 2, Средняя относительная ошибка прогнозных значений = 1 t N + t = N + t Средняя ошибка прогноза (по результатам настройки), = V4 % Значение критерия оценки качества прогноза V Сводные результаты построения прогнозов с применением всех видов прогнозных моделей приведены в табл. 4.8.

Таблица 4.8 Итоговые результаты прогнозирования Прогнозная модель, параметры модели Ошибка прогноза на такте t = N + 1, % Ошибка прогноза на такте t = N + 2, % Ошибка прогноза на такте t = N + 3, % Средняя ошибка прогноза, подсчитанная на основе реальных данных, % Средняя ошибка, полученная при настройке прогноза, % Значение критерия оценки качества прогноза LR(0, 0) + F(60) + AR(3) 0,83 3,65 36,21 exp(a+b*x) + F(60) + AR(1) 59,17 57,96 116, LR(2, 0) AR(1) F(60) exp(a+b*x) 5,06 4,95 1, 15,06 5,20 16, 521,36 523,95 677, 129,29 136,78 196, 3, 12, 574, 154, 13, 77, 22,3 1, 19,3 1, 335 20, 62 3, 3,74 0, 43,55 2, Эксперт, изучив варианты построенных прогнозов, выбрал прогноз, построенный с помощью прогнозной модели № 5 как наиболее рациональный. Это решение подкрепляется:

• • наименьшим из полученных значением критерия оценки качества прогнозирования;

наименьшей величиной средней ошибки прогноза, полученной в процессе настройки модели;

• наименьшей величиной относительной ошибки прогноза на первых двух прогнозных тактах. На основе проведенного анализа можно также сказать, что значения критериев оценки качества, полученные в процессе настройки прогноза, хорошо соотносятся с ошибкой, подсчитанной на основе расхождения прогноза с реальными данными. Возможность осуществить такую проверку, дало исключение из рассмотрения 3-х тактов с данными справа, выполненное перед началом анализа.

4.2. Влияние выбора формальной постановки задачи прогнозирования на результаты прогнозирования Во второй главе нами было предложено множество критериев оценки качества прогноза, и постановок задач оптимизации для описания и выбора лучшего прогноза. Были сформулированы различные способы оценки качества прогноза. Рассмотрим на примере, как влияет выбор формальной постановки задачи прогнозирования на определение лучшей прогнозной модели, и содержательно проинтерпретируем результаты прогнозирования. В качестве примера построим оценку уровня заболеваемости бактериальной дизентерией у детей до 14 лет по Российской Федерации в целом на очередном сезонном пике заболеваемости. Исходный временной ряд приведен на рис. 4.8.

Рис. 4.8. Показатели заболеваемости бактериальной дизентерией у детей до 14 лет в Российской Федерации с 01.1998 по 06. Уровень заболеваемости за периоды с января 1998 года по декабрь 2000 года и с января 2001 года по июнь 2004 года заметно отличаются. Действительно, заболеваемость в момент сезонных пиков, которые за рассматриваемый период приходятся на сентябрь, в 1998 – 2000 гг. составляет 49.13, 99.09, 71.28 заболевших на 100 тыс. детей до 14 лет соответственно, тогда как, начиная с 2001 года, уровень заболеваемости снизился до значений 5.71, 23.67 и 26.74 заболевших на 100 тыс. детей до 14 лет соответственно. Учитывая различия в данных, исключим из рассмотрения 24 такта слева. Для демонстрации прогноза на реальных данных спрогнозируем поведение временного ряда на последнем имеющемся сезонном всплеске: с августа 2003 года по декабрь 2003 года. Для этого исключим из рассмотрения 11 тактов справа и установим величину горизонта прогнозирования = 5 тактам. Анализируемый временной ряд представлен на рис. 4.9.

Рис. 4.9. Показатели заболеваемости бактериальной дизентерией у детей до 14 лет в Российской Федерации с 01.2000 по 12. Построим и сравним оптимальные прогнозы, полученные при выборе различных формальных постановок задач прогнозирования. В связи с тем, что была поставлена задача оценить уровень заболеваемости на очередном сезонном пике, эксперт решил при всех постановках задачи прогнозирования, кроме постановки «прогноз максимума», оценивать качество прогноза целесообразно по всем точкам исходного временного ряда. Это позволит получить прогноз, который хорошо «отлавливает» сезонную тенденцию, что невозможно сделать, контролируя прогноз только по пяти последним тактам временного ряда. Оптимальный прогноз, полученный при постановке задачи (2.10), приведен на рис. 4.10. Лучшим, в этом случае, считается прогноз с наименьшим среднеквадратическим отклонением прогнозных значений от реальных: 1 X * = arg min V2 ( X экз, X i ) = arg min i{1, L} i{1, L} k j = k tj yi2 (t j ).

(2.10) Рис. 4.10. Оптимальный прогноз, полученный при постановке задачи прогнозирования (2.10) Оптимальный прогноз, полученный при постановке задачи (2.9), приведен на рис. 4.11. Лучшим, в этом случае, считается прогноз с наименьшим суммарным отклонением прогнозных значений от реальных:

X * = arg min V1 ( X экз, X i ) = arg min t j yi (t j ).

i{1, L} i{1, L} j =1 k (2.9) Рис. 4.11. Оптимальный прогноз, полученный при постановке задачи прогнозирования (2.9) Оптимальный прогноз, полученный при постановке задачи (2.11), приведен на рис. 4.12. Лучшим, в этом случае, считается прогноз с наименьшим максимальным отклонением прогнозных значений от реальных, то есть гарантируется, что отклонения прогноза будут не больше найденного минимального значения на всех тактах:

X * = arg min V3 ( X экз, X i ) = arg min max t j yi (t j ).

i{1, L} i{1, L} j{1, k } (2.11) Рис. 4.12. Оптимальный прогноз, полученный при постановке задачи прогнозирования (2.11) Оптимальный прогноз, полученный при постановке задачи (2.12), приведен на рис. 4.13. Лучшим, в этом случае, считается прогноз с минимальной величиной средней ошибки отклонения прогнозных значений от реальных:

y (t ) 1k X * = arg min V4 ( X экз, X i ) = arg min t j i j. i{1, L} i{1, L} k x (t j ) j = (2.12) Рис. 4.13. Оптимальный прогноз, полученный при постановке задачи прогнозирования (2.12) Оптимальный прогноз, полученный при постановке задачи (2.16), приведен на рис. 4.14. Лучшим, в этом случае, считается прогноз с минимальными взвешенными среднеквадратическим отклонением, суммарным отклонением и максимальным отклонением прогнозных значений от реальных: X * = arg min 1 V1 ( X экз, X i ) + 2 V2 ( X экз, X i ) + 3 V3 ( X экз, X i ) = i{1, L} k 1 arg min 1 t j yi (t j ) + 2 k 1 i{1, L} j = ( ). t j y (t j ) + 3 max} t j yi (t j ) j{ 1,k j = k 2 i (2.16) Задача прогнозирования (2.16) представляет собой свертку из трех критериев качества прогнозирования, описанных выше. Эту постановку задачи прогнозирования удобно применять в случаях, когда необходимо учесть несколько различных требований к качеству прогноза. Весовые коэффициенты 1, 2, 3 здесь определяют значимость каждого из критериев в общей постановке задачи.

Рис. 4.14. Оптимальный прогноз, полученный при постановке задачи прогнозирования (2.16) c весовыми коэффициентами 1 = 0,5, 2 = 3 = 0, В данном случае эксперт установил следующие значения для весовых коэффициентов:

1 = 0,5, 2 = 3 = 0,25.

Оптимальный прогноз, полученный при постановке задачи (2.15), приведен на рис. 4.15. Лучшим, в этом случае, считается прогноз с минимальными взвешенными среднеквадратическим отклонением, отклонением прогнозного максимального значения от реального и наиболее точным предсказанием такта с максимальным значением ряда: X * = arg min 2 V2 ( X экз, X i ) + 5 V5 ( X экз, X i ) + 6 V6 ( X экз, X i ) = i{1, L} ( ) arg min( i{1, L} 1 k j = k t j yi ( t j ) 2 +. (2.15) 5 max { x (t1 ),..., x (tk )} max { xi (t1 ),..., xi (tk )} + 6 arg max { x(t1 ),..., x (tk )} arg max {xi (t1 ),..., xi (tk )} ) Рис. 4.15.. Оптимальный прогноз, полученный при постановке задачи прогнозирования (2.15) c весовыми коэффициентами 1 = 0,2, 5 = 0,5, 6 = 0, При использовании этой постановки задачи оценивать качество прогноза по всем имеющимся точкам исходного временного ряда не представляется целесообразным. Лучше всего качество прогноза оценивать на тактах, находящихся в окрестности сезонных всплесков заболевания. В данном случае экспертом были выбраны такты июль 2001 г. – ноябрь 2001 г. и июль 2002 г. – октябрь 2002 г. включительно, что соответствует двум последним известным сезонным всплескам заболевания. Экспертом были выбраны следующие значения весовых коэффициентов: 1 = 0,2, 5 = 0,5, 6 = 0,3. Таким образом, наибольший приоритет отдается совпадению уровня заболеваемости на известных сезонных всплесках, несколько меньший – совпадению временного такта, на который приходится этот всплеск. Также учитывается уровень среднего квадратического отклонения. Сравним качество оптимальных прогнозов, полученных при различных постановках задач, с использованием различных прогнозных моделей. Значения критериев оценки качества прогноза приведены в табл. 4.9.

Таблица 4.9 Сравнение качества прогнозов, полученных с использованием различных прогнозных моделей Прогнозная модель, параметры модели Критерий оценки качества прогноза Минимизация среднего квадратического отклонения (2.10) Минимизация суммы модулей отклонений модельных данных от реальных (2.9) Минимизация модуля максимального отклонения модельных данных от реальных (2.11) Минимизация средней ошибки прогноза (2.12) Взвешенный критерий (2.16). Весовые коэффициенты: 1 = 0,5, LR(3,1) + F(24) 6,95 159,25 29,94 19,90 50,77 LR(1,1) + F(24) + AR(2) 7,80 155,83 36,03 17,85 51,87 LR(3,0) + F(24) + AR(3) 7,15 168,56 29,80 23,84 53,16 LR(4,1) + F(24) + AR(3) 9,56 241,37 30,51 43,29 72, 2 = 3 = 0,25 6 = 0, Прогноз максимума (2.15). Весовые коэффициенты: 1 = 0,2, 5 = 0,5, 0, 0, 0, 0, Отметим, что выбор прогнозных моделей совпадает при постановках задач (2.10) и (2.16), а также при постановках (2.9) и (2.12). В первом случае это объясняется тем, что в постановке задачи (2.16) коэффициент 1 = 0,5 при критерии «среднее квадратическое отклонение» имеет наибольший вес. Весовые коэффициенты, введенные в постановки задач (2.15) и (2.16) и задаваемые экспертным путем, играют существенную роль: они позволяют эксперту-прогнозисту настраивать постановку задачи прогнозирования на основе его предпочтений. С помощью этих коэффициентов становится возможным «плавный» переход между частными постановками задач прогнозирования, образующих обобщенную постановку задачи. Проанализируем истинную точность построенных прогнозов, сопоставив прогнозные значения в точке «будущего» максимума со значением временного ряда на 45 такте x ( 45) = 26,74, на котором расположен всплеск заболеваемости в 2003 году. Значение абсолютных и относительных ошибок, соответствующие прогнозам, построенных при помощи оптимальных прогнозных моделей при разных постановках задачи прогнозирования, приведены в табл. 4.10, где абсолютная и относительная ошибки прогноза рассчитаны по формулам:

= x ( 45) x ( 45), (4.1) (4.2) Таблица 4. = x ( 45) x ( 45) 100%. x ( 45) Сопоставление прогнозных значений с имеющимися данными Постановка задачи прогнозирования Прогноз максимума (2.15). Весовые коэффициенты: 1 = 0,2, 5 = 0,5, 6 = 0,3 Минимизация суммы модулей отклонений (2.9) Минимизация средней ошибки прогноза (2.12) Взвешенный критерий (2.16). Весовые коэффициенты: 1 = 0,5, 2 = 3 = 0,25. Минимизация среднего квадратического отклонения (2.10) Минимизация модуля максимального отклонения (2.11) Прогнозная модель, параметры модели Прогнозное значение, Абсолютная ошибка прогноза, 0,03 Относительная ошибка прогноза, 0, x( 45) LR(4,1) + F(24) + AR(3) 26, LR(1,1) + F(24) + AR(2) 27, 1, 4, LR(3,1) + F(24) 31, 4, 15, LR(3,0) + F(24) + AR(3) 32, 5, 22, Из таблицы 4.10 видно, что наиболее точным оказался оптимальный прогноз, полученный при постановке задачи (2.15) – «прогноз максимума». Такой результат является вполне закономерным, так как в данном случае формальная постановка задачи прогнозирования совпадает с истинной задачей прогнозиста. Также позитивную роль в данном случае сыграло наличие весовых коэффициентов, которые позволили учесть значимость каждого из частных критериев качества, а также адекватный выбор временных тактов, входящих в экзаменационную выборку. Менее точными оказались прогнозы при постановках задач (2.9) и (2.12). Выбирать эти постановки задач целесообразно при построении траекторных прогнозов, когда требуется качественное описание всех прогнозных тактов. Однако, когда ставится задача нахождения будущего экстремума ряда, точность описания исходного ряда модельным теряет первостепенное значение: важно уметь хорошо предсказывать пики временного ряда Несколько хуже в данной ситуации проявили себя постановки задач (2.10) и (2.16). Дело в том, что при постановке (2.10) качество прогнозов, которые имеют резкие «выбросы» на экзаменационной выборке (они в данном случае не являются критичными), может заметно уменьшаться, поскольку эти «выбросы», в отличие от предыдущих постановок задач, возводятся в квадрат. То же самое можно сказать о постановке (2.16), поскольку в данном случае, как было отмечено выше, она фактически свелась к постановке (2.10). Самый плохой результат дает постановка задачи (2.11) – минимизация модуля максимального отклонения. Этот критерий гарантирует, что отклонения прогноза будут не больше найденного минимального значения на всех экзаменационных тактах. При прогнозе максимума данный критерий не является решающим.

4.3. Выводы к главе 1. Показана работоспособность диалогового алгоритма решения задачи прогнозирования и системы прогнозирования в целом при построении прогнозов на временных рядах, описывающих инфекционную заболеваемость. 2. Показано, что предложенные в главе 2 критерии оценки качества прогнозирования адекватно описывают истинное качество прогноза. 3. Показано, что выбор формальной постановки задачи прогнозирования существенно влияет на результаты прогнозирования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ В диссертации предложены, успешно апробированы и внедрены методика, математическое и программное обеспечение системы прогнозирования на основе многокритериального анализа временных рядов. Система предназначена для решения задачи прогнозирования с последующим принятием управленческих решений, направленных на профилактику и снижение инфекционной заболеваемости, что позволяет повысить качество и эффективность эпидемиологического надзора за инфекционными заболеваниями в России. Получены следующие основные научные и практические результаты. 1. Предложено многокритериальное описание качества прогнозов на основании сформированного множества критериев оценки их качества, учитывающих предпочтения эксперта. Для различных ситуаций сформулированы требования к качеству прогнозов как формальные постановки задачи прогнозирования. 2. Разработан алгоритм построения множества конкурирующих прогнозов, на котором задача прогнозирования решается как задача оптимизации, где целевой функцией является функция качества прогноза, сконструированная на основе критериев оценки качества прогнозирования. 3. Разработан диалоговый алгоритм решения задачи прогнозирования как многокритериальной задачи оптимизации на основе сформулированных критериев оценки качества прогноза. 4. Описаны и адаптированы под решаемую задачу многокритериальной оптимизации прогнозные модели аддитивной структуры, позволяющие проводить покомпонентный анализ составляющих временного ряда: тренда, сезонной и случайной компоненты. 5. Разработанные алгоритмы и методы составили основу подсистемы «Прогноз» информационной системы «Эпиднадзор», предназначенной для построения прогнозов на основании данных об инфекционной заболеваемости. Информационная система «Эпиднадзор» находится в промышленной эксплуатации надзора в Департаменте России и государственного санитарно-эпидемиологического Минздрава Федеральном центре санитарно-эпидемиологического надзора Минздрава России.

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 1. Айзерман М.А., Алескеров Ф.Т. Выбор вариантов: основы теории. – М.: Наука, 1990. – 240 с. 2. Аллен К. 101 Oracle PL/SQL. – М.: Лори, 2001. – 368 с. 3. Аммерааль Л. STL для программистов на С++. – М.: ДМК Пресс, 2000. – 240 с. 4. Анго А. Математика для электро- и радиоинженеров. – М.: Наука, 1967. – 780 с. 5. Беляев Е.Н. Роль санэпидслужбы в обеспечении санитарно-эпидемиологического благополучия населения Российский Федерации. – М.: Издательско-информационный центр Госкомитета санитарно-эпидемиологического надзора РФ, 1996. – 416 с. 6. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление: Пер. с англ. Вып. 1 и 2. – М.: Мир, 1974. – 406 с. 7. Боггс У., Боггс М. UML и Rational Rose. – М.: Лори, 2001. – 582 с. 8. Борисов В.И. Проблемы векторной оптимизации. Исследование операций // Методологические аспекты. – М.: Наука, 1972. – С. 102–113. 9. Бунич А.Л. Бахтадзе Н.Н. Синтез и применение дискретных систем управления с идентификатором. – М.: Наука, 2003. – 232 с. 10. Бэлсон Д., Гокмен М., Ингерем Дж. Внутренний мир Oracle8. Проектирование и настройка: Пер. с англ. – Киев: Издательство «ДиаСофт», 2000. – 800 с. 11. Вопросы анализа и процедуры принятия решений / Сб. пер. с англ. – М.: Мир, 1976. – 230 с. 12. Геминтер В.И., Штильман М.С. Оптимизация в задачах проектирования. – М.: Знание, 1982. – 64 с. 13. Джонстон Дж. Эконометрические методы. – М.: Статистика, 1980. – 444 с. 14. Доугерти Кристофер Введение в эконометрику. – М.: ИНФРА-М, 1997. – 402 с.

15. Дубов Ю.А., Травкин С.И., Якимец В.Н. Многокритериальные модели формирования и выбора вариантов систем. – М.: Наука, 1986. – 296 с. 16. Емельянов С.В., Ларичев О.И. Многокритериальные методы принятия решений. – М.: Знание, 1986. – 29 с. 17. Зеленский К.Х., Игнатенко В.Н., Коц А.П. Компьютерные методы прикладной математики. – Киев: Дизайн, 1999. – 352 с. 18. Иванова В.М. Эконометрика. – М.: Соминтек, 1991. 19. Инфекционная заболеваемость в Российской Федерации за январь-декабрь 1998 года // ЗНиСО. – 1999. – № 1 (70). 20. Инфекционная заболеваемость в Российской Федерации за январь-декабрь 1999 года // ЗНиСО. – 2000. – № 1 (82). 21. Инфекционная заболеваемость в Российской Федерации за январь-декабрь 2000 года // ЗНиСО. – 2001. – № 1 (94). 22. Инфекционная заболеваемость в Российской Федерации за январь-декабрь 2001 года // ЗНиСО. – 2002. – № 1 (106). 23. Инфекционная заболеваемость в Российской Федерации за январь-декабрь 2002 года // ЗНиСО. – 2003. – № 1 (118). 24. Инфекционная заболеваемость в Российской Федерации за январь-декабрь 2003 года // ЗНиСО. – 2004. – № 1 (130). 25. Инфекционная заболеваемость в Российской Федерации за январь-июнь 2004 года // ЗНиСО. – 2004. – № 7 (136). 26. Казанцев А.П., Матковский В.С. Справочник по инфекционным болезням. – М: Медицина, 1979. – 248 с. 27. Кватрани Т. Визуальное моделирование с помощью Rational Rose 2002 и UML. – М.: Издательский дом «Вильямс», 2003. – 192 с. 28. Кендалл М.Дж. Временные ряды: Пер. с англ. – М.: Финансы и статистика, 1981. – 199 с. 29. Кендалл М.Дж., Стьюарт А. Многомерный статистический анализ и временные ряды: Пер. с англ. – М.: Наука, 1976. – 736 с. 30. Кини Р.Л., Райфа Х. Принятие решений при многих критериях: предпочтения и замещения: Пер. с англ. – М.: Радио и связь, 1981. – 560 с. 31. Клюшин Д.А. Полный курс C++. Профессиональная работа. – Киев: Диалектика, 2004. – 672 с. 32. Компьютер и поиск компромисса. Метод достижимых целей / А.В. Лотов, В.А. Бушевков, Г.К. Каменев, О.Л. Черных. – М.: Наука, 1997. – 239 с. 33. Концепция компьютерной системы эпидемиологического надзора за инфекционными заболеваниями / А.С. Рыков, В.О. Хорошилов, М.П. Шевырева, К.С. Щипин // Сб. докл. междунар. форума «Информатизация процессов охраны здоровья населения – 2001». – М.: МИСиС, 2001. – С. 54–57. 34. Коржов В. Многоуровневые системы клиент-сервер // Сети. –1997. – № 6. 35. Корн Г., Корн Т. Справочник по математике. – М.: Наука, 1974. – 832 с. 36. Ладыженский Г. Технология «клиент-сервер» и мониторы транзакций // Открытые системы. –1994. – №3. 37. Ларичев О.И. Наука и искусство принятия решений. – М.: Наука, 1979. – 200 с. 38. Ларичев О.И. Теория и методы принятия решений а также Хроника событий в Волшебных Странах. – М.: Логос, 2000. – 296 с. 39. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. – М.: Наука, 1996. – 208 с. 40. Литвак Б.Г. Разработка управленческого решения: Учебник. – 4-е изд., испр. – М.: Дело, 2003. – 392 с. 41. Литвак Б.Г. Экспертная информация: Методы получения и анализа. – М.: Радио и связь, 1982. – 184 с.

42. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. – М.: Статистика, 1979. – 253 с. 43. Лукашин Ю.П. Регрессионные и адаптивные методы прогнозирования. – М.: МЭСИ, 1997. 44. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. – М.: Дело, 2000. – 400 с. 45. Малыхин В.И. Финансовая математика: Учеб. пособие для вузов. – М.: ЮНИТИ-ДАНА, 2000. – 247 с. 46. Мейерс С. Эффективное использование STL. Библиотека программиста. – СПб.: Питер, 2002. – 224 с. 47. Многокритериальные задачи принятия решений / Под ред. Д.М. Гвишиани, С.В. Емельянова. – М.: Машиностроение, 1978. – 192 с. 48. Нейбург Э., Максимчук Р. Проектирование баз данных с помощью UML. – М.: Издательский дом «Вильямс», 2002. – 288 с. 49. О концепции информационной инфраструктуры государственного эпидемиологического надзора за инфекционными и паразитарными заболеваниями в Российской Федерации / С.И. Иванов, М.П. Шевырева, В.О. Хорошилов, Г.Ф. Лазикова, А.А. Ясинский // Информационные технологии в здравоохранении. – 2003. – №3-4. – С. 25–27 50. Оптимизация качества. Сложные продукты и процессы / Э.В. Калинина, А.Г. Лапига, В.В. Поляков и др. – М.: Химия, 1989. – 256 с. 51. Основные социально-экономические показатели по Российской Федерации за 1997–2002 гг. // Вопросы статистики. – 2002. – № 6. – С. 49–60. 52. Основные социально-экономические показатели по Российской Федерации за 1999–2004 гг. (По материалам Госкомстата России) // Вопросы статистики. 2004. – № 6. – С. 71–82. 53. Песаран М., Слейтер Л. Динамическая регрессия: теория и алгоритмы: Пер. с англ. – М.: Финансы и статистика, 1984. – 312 с.

54. Подиновский В.В. Методы многокритериальной оптимизации. Вып. 1 Эффективные планы. – М.: Военная академия им. Дзержинского, 1971. – 122 с. 55. Прикладная статистика. Основы эконометрики: Учебник для вузов: В 2 т. – 2-е изд., испр. – Т. 1: Айвазян С.А., Мхитарян B.C. Теория вероятностей и прикладная статистика. – М.: ЮНИТИ-ДАНА, 2001. – 656 с. 56. Прикладная статистика. Основы эконометрики: Учебник для вузов: В 2 т. – 2-е изд., испр. – Т. 2: Айвазян С.А. Основы эконометрики. – М.: ЮНИТИ-ДАНА, 2001. – 432 с. 57. Рыков А.С. Методы системного анализа: многокритериальная и нечеткая оптимизация, моделирование и экспертные оценки. – М.: НПО «Издательство «Экономика», 1999. – 191 с. 58. Рыков А.С. Методы системного анализа: оптимизация. – М.: НПО «Издательство «Экономика», 1999. – 255 с. 59. Саати Т., Кернc К. Аналитическое планирование и организация систем. – М.: Радио и связь, 1991. – 224 с. 60. Салуквадзе М.Е. Задачи векторной оптимизации в теории управления. – Тбилиси: Мецниереба, 1975. 61. Светов Б.Я., Яковлев С.А. Моделирование систем. – М.: Высш. шк., 1985. – 251 с. 62. Система многокритериального выбора и настройки параметров моделей анализа данных эпидемиологического надзора за инфекционными заболеваниями в России / А.С. Рыков, В.О. Хорошилов, К.С. Щипин, А.А. Рыков // Тр. междунар. конф. «Идентификация систем и задачи управления» (SICPRO’04). – М., 2004. – С. 1045 – 1050. 63. Система прогнозирования на основе многокритериального анализа временных рядов / А.С. Рыков, В.О. Хорошилов, К.С. Щипин, А.А. Рыков // Сб. науч. тр. МИСиС «Экономика, информационные технологии и управление в металлургии». – М.: МИСиС, 2003. – С. 77 – 79.

64. Статистические методы прогнозирования на основе временных рядов / Ю.В. Сажин, А.В. Катынь, В.А. Басова, Ю.В. Сарайкин. – Саранск: Изд-во Мордовского ун-та, 2000. – 116 с. 65. Статистическое моделирование и прогнозирование: Учеб. пособие / Под ред. А.Г. Гранберга. – М.: Финансы и статистика, 1990. – 383 с. 66. Субетто А.И. Квалиметрия. – СПб.: Изд-во «Астерион», 2002. – 288 с. 67. Теория выбора и принятия решений / Макаров И.М., Виноградская Т.М., Рубчинский А.А., Соколов В.Б. – М.: Наука, 1982. – 328 с. 68. Трахтенгерц Э.А. Компьютерная поддержка переговоров при согласовании управленческих решений. – М.: СИНТЕГ, 2003. – 284 с. 69. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. – М.: СИНТЕГ, 1998. – 376 с. 70. Уотшем Т.Дж., Паррамоу К. Количественные методы в финансах: Учеб. пособие для вузов / Пер. с англ. – М: Финансы;

ЮНИТИ, 1999. – 527 с. 71. Управление и оптимизация производственно-технологических процессов / Н.М. Вихров, Д.В. Гаскаров, А.А. Грищенков и др. – СПб.: Энергоатомиздат, 1995. – 301 с. 72. Френкель А.А. Прогнозирование производительности труда: методы и модели. – М.: Экономика, 1989. – 214 с. 73. Черкасский Б.Л. Инфекционные и паразитарные болезни человека: Справочник эпидемиолога. – М.: Медицинская газета, 1994. – 617 с. 74. Четыркин E.H. Статистические методы прогнозирования. – М.: Статистика, 1977. – 199 с. 75. Штойер Р. Многокритериальная оптимизация. Теория, вычисления и приложения. – М.: Радио и связь, 1992. – 504 с. 76. Энсор Дэйв, Стивенсон Йен. Oracle. Проектирование баз данных: Пер. с англ. – Киев: Издательская группа BHV, 2000. – 560 c.

77. Aitken А.С. On Least-Squares and Linear Combinations of Observations. // Proc. Royal Soc. – Edinburgh, 1934. – Vol. 55. – P. 42–48. 78. Cochrane D., Orcutt G.H. Application of Least-Squares Regressions to Relationships Containing Autocorrelated Error Terms. // Journ. of the Amer. Stat. Assoc. – 1949. – Vol. 44. – P. 32–61. 79. Durbin J., Watson G.S. Testing for Serial Correlation in Least-Squares Regression. – Biometrica, 1950–1951. – Vol. 37. – P. 409–428;

Vol. 38. – P. 159–178. 80. Ng W.Y. Interactive multi-objective programming as a framework for computer-aided control system design // Lect. Notes Control & Inf. Sci. – Berlin: Springer-Verlag, 1989. – № 132. 81. Pareto V. Manuale di Economia Politica. – Milan: Societa Editrice Libraria, 1906. 82. Roy B. Multicriteria Methodology for Decision Aiding. – Dordrecht: Kluwer Academic Pulisher, 1996. 83. Stam A., Silva A.P. Stochastic judgements in the AHP: the measurement of rank reversal probabilities // Rep.WP-94-101. IIASA. – Laxenburg,1994. 84. Walker G. On periodicity in series of related terms. – Proc. Royal Soc, 1931. – 518 p. 85. Yule G. U. On a method of investigating periodicities in disturbed series. – Phil. Trans., 1927. – 227 p. 86. Zeleny Ed. M. Multiple criteria decision making. – Berlin: Springer Verlag, 1976.

Pages:     | 1 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.