Файл: Лабораторная работа 5 Прогнозирование с помощью нейронной сети.pdf

Лабораторная работа №5
Прогнозирование с помощью нейронной сети
Цель работы: Освоение интеллектуального инструмента (СППР Deductor Studio), предназначенного для решения широкого спектра задач, связанных с обработкой структурированных и представленных в виде таблиц данных. научиться применять методы Data
Mining для решения задач прогнозирования временных рядов на примере построения модели прогноза продаж.
Выполнил: Гаврин Денис ТД-О-22/1
Ход работы
Перво-наперво, мы импортируем данные из текстового файла Trade.txt
Cтавим в разделитель дробной и целой части числа точку в настройки по умолчанию параметров импорта.

Далее, выберем в качестве визуализатора диаграмму для просмотра исходной информации
По итогу, у нас появилась диаграмма:

Чтобы мы могли судить о сезонности по этим данным, необходимо воспользоваться автокорреляцией. Настраиваем параметры столбцов: в поле «Дата (Год + Месяц)» укажем неиспользуемым, а поле «КОЛИЧЕСТВО» используемым.Зададим кол-во отсчётов числом 15, указывая галочку в опции «Включить поле отсчетов набор данных», и впоследствии задаём график.

По итогу должна появиться такая диаграмма:
Перед прогнозированием необходимо удалить аномалии и сгладить данные, с помощью парциальной обработки ( спектральной обработки).

Запустим мастер обработки, выберем в качестве обработки данных парциальную обработку и перейдем на следующий шаг мастера. Как известно, второй шаг мастера отвечает за обработку пропущенных значений, которых в исходных данных нет. Поэтому выберем поле для обработки
«КОЛИЧЕСТВО» и укажем для него обработку аномальных явлений (степень подавления – малая).
Четвертый шаг мастера позволяет провести спектральную обработку. Из исходных данных необходимо исключить шумы, поэтому выбираем столбец «КОЛИЧЕСТВО» и указываем способ обработки «вычитание шума» (степень вычитания – малая). На следующем шаге запустим обработку, нажав на «пуск». После обработки просмотрим полученный результат на диаграмме.

По итогу, должна выйти такая диаграмма:

Для прогнозирования данного ряда, запустим мастер обработки и выберем в качестве обработчика скользящее окно. Аналитик провел также авторегрессионый анализ и выяснил наличие годовой сезонности , поэтому необходимо, назначив поле «КОЛИЧЕСТВО» используемым, выбрать глубину погружения 12. Тогда данные трансформируются к скользящему окну так, что аналитику будут доступны все требуемые факторы для построения прогноза.

Теперь в качестве входных факторов можно использовать «КОЛИЧЕСТВО - 12», «КОЛИЧЕСТВО -
11» - данные по количеству 12 и 11 месяцев назад и остальные необходимые факторы. В качестве результата прогноза буден указан столбец «КОЛИЧЕСТВО».
По итогу, получается такая таблица:

Перейдем непосредственно к самому построению модели прогноза. Откроем, мастер обработки и выберем в нем нейронную сеть. На втором шаге мастера, согласно с принятым ранее решением, установим в качестве входных поля «КОЛИЧЕСТВО - 12», «КОЛИЧЕСТВО - 11», «КОЛИЧЕСТВО - 2» и
«КОЛИЧЕСТВО - 1», а в качестве выходного - «КОЛИЧЕСТВО» (рис.9). Остальные поля сделаем информационными.
После построения модели для просмотра качества обучения представим полученные данные в виде диаграммы и диаграммы рассеяния

В мастере настройки диаграммы (рис.10) выберем для отображения поля «КОЛИЧЕСТВО» и
«КОЛИЧЕСТВО_OUT» - реальное и спрогнозированное значение.
Получается две диаграммы:

После этого необходимо в качестве визуализатора выбрать диаграмму прогноза, которая появляется только после прогнозирования. В мастере настройки столбцов диаграммы прогноза необходимо указать в качестве отображаемого столбец «КОЛИЧЕСТВО», а в качестве подписей по оси Х указать столбец «ШАГ ПРОГНОЗА».