Учебная работа № 37437. Методы прогнозирования и оптимизации прибыли

Выдержка из похожей работы

Ежов, Б.
Одинцов, А,Романов, С,Шумский и др.

На сегодняшний день
возможности нейросетевых технологий используются во многих отраслях науки,
начиная от медицины и астрономии, заканчивая информатикой и экономикой,Между
тем далеко не все потенциальные возможности нейросетевых методов изучены, но
одними из их свойств являются возможности распознавания и классификации
образов, работы с большими массивами зашумленных данных, оценка стоимости
недвижимости, аппроксимация и выявление неочевидных зависимостей в данных
финансовых временных рядов,На основе этих свойств нейросетевых архитектур
можно сделать вывод о значительном преимуществе их использования для анализа и
прогнозирования динамик финансовых рядов, в частности рынка недвижимости.

Целью
исследования является анализ существующих методов прогнозирования и
моделирование нейронных сетей для прогнозирования стоимости недвижимости.

1,ПОСТАНОВКА
ЗАДАЧИ ИССЛЕДОВАНИЯ

В
различных областях человеческой деятельности часто возникают ситуации, когда по
имеющейся информации (данным), обозначим ее X, требуется предсказать
(спрогнозировать, оценить) некоторую величину Y, стохастически связанную с X
(то есть X и Y имеют некоторое распределение L(X,Y)), но которую
непосредственно измерить невозможно (например, Y может относиться к будущему, а
X — к настоящему),

В
общем случае X означает некоторую совокупность {X1, X2,:} наблюдаемых случайных
величин, которые в рассматриваемом контексте называются предсказывающими (или
прогнозными) переменными, и задача состоит в построении такой функции Ф(Х),
которую можно было бы использовать в качестве оценки для прогнозируемой
величины Y: Ф(Х)=Y (т.е,чтобы она была в каком-то смысле близка к Y); такие
функции Ф(Х) называют предикторами величины Y по X,Разработка методов
построения оптимальных (в том или ином смысле) предикторов и составляет главную
задачу прогнозирования,

Если
совокупность величин {X1, X2, :, Xn}
представляет собой значения какого-либо параметра, изменяющегося во времени, то
такую совокупность называют временным рядом, при этом каждое значение
соответствует значению параметра в конкретное время t1, t2,
:,tn,Задача прогнозирования в этом случае заключается в определении
значения измеряемой величины X в момент времени tn+1, tn+2,
tn+3,:, т.е,для выполнения прогнозирования необходимо выявить
закономерность этого временного ряда,

Различают
многошаговый и одношаговый прогноз,

Многошаговым
прогнозом называют долгосрочный прогноз, цель которого состоит в определении
основного тренда, для некоторого фиксированного промежутка времени в будущем.
При этом прогнозирующая система (в нашем случае — нейронная сеть) использует
полученные прогнозные значения временного ряда для выполнения дальнейшего
прогноза, т.е,использует их как входные данные.

Одношаговым
прогнозированием называют краткосрочный прогноз (на один шаг), при этом для
получения прогнозированной величины используют только фактические данные