Чертков Александр Александрович — доктор технических наук, доцент
198035, Санкт-Петербург, ул. Двинская, 5/7
Chertkov, Alexandr A. — Dr. of Technical Sciences, associate professor
5/7 Dvinskaya Str., St. Petersburg, 198035
Сабуров Сергей Валерьевич — кандидат технических наук Котласский филиал
198035, Санкт-Петербург, ул. Двинская 5/7
Saburov, Sergey V. — PhD Kotlas branch
5/7 Dvinskaya Str., St. Petersburg, 198035
Каск Ярослав Николаевич — кандидат технических наук
198035, Санкт-Петербург, ул. Двинская, 5/7
Kask, Yaroslav N. — PhD
5/7 Dvinskaya Str., St. Petersburg, 198035
Целью работы является обеспечение мониторинга и достоверности статистических данных, используемых для анализа и прогнозирования развития производства на основе обобщенных показателей, учитывающих объемы использованных ресурсов и способы их применения. Предлагается алгоритм параметрической идентификации моделей производственных функций по временным рядам статистических данных с использованием обобщенной регрессии, обеспечивающий наилучшую оценку ошибки параметрической оптимизации по методу наименьших квадратов. В отличие от существующих методов оценки для построения моделей используются нейронные сети, значительно увеличивающие технические возможности моделирования и способствующие повышению точности вычислений за счет применения нейросетевых технологий. Показано, что для решения задач рассматриваемого класса целесообразно применять обобщенно-регрессионные нейронные сети, используя простые режимы обучения с высокой точностью моделирования. В результате рассмотрен алгоритм количественной оценки параметров производственных функций, состоящий в построении нейронной модели с последующим ее использованием для «пригонки» (аппроксимации) к полученным данным траектории производственной модели заданной структуры путем рекуррентных оценок вектора искомых коэффициентов при заданном начальном приближении. Предложенный алгоритм продемонстрирован на примере оценок параметров производственной функции Кобба – Дугласа и дискретно-динамической модели функции потребления по соответствующим статистическим рядам. Вычисления выполнены при помощи функций пакета Neural Networks программной среды MATLAB. Данный алгоритм предназначен для количественных оценок параметров производственных моделей со сложными логико-вероятностными связями, а также для получения численных значений целевых индикаторов и показателей оценки развития внутреннего водного транспорта по статистическим рядам и мониторингу.
The purpose of the work is to ensure the monitoring and reliability of statistical data used for the analysis and forecasting of the production development on the basis of generalized indicators that take into account the volume of resources used and the ways of their use. An algorithm for parametric identification of production functions models from time series of statistical data using generalized regression, which provides the best estimation of the parametric optimization error by the method of least squares, is proposed. In contrast to existing assessment methods, neural networks are used to build models, which significantly expand the technical capabilities of modeling and contribute to improving the accuracy of calculations through the use of neural network technologies. It is shown that in order to solve the problems of this class, it is advisable to use generalized regression neural networks with simple training modes and high modeling accuracy. As a result, it is possible to propose an algorithm for quantitative assessment of the production functions parameters, which consists in the construction of a neural model with its subsequent use to fit the trajectory of the production model of a given structure to the obtained data by means of recurrent estimates of the vector of the desired coefficients at a given initial approximation. The proposed algorithm is demonstrated by estimating the parameters of the Cobb-Douglas production function and the discrete-dynamic model of the consumption function according to the corresponding statistical series. The calculations are performed using the functions of the Neural Networks package of the MATLAB software environment. The algorithm is applicable for quantitative estimation of the production models parameters with complex logical-probabilistic relationships, as well as for obtaining numerical values of target indicators and indicators for assessing the inland water transport development by statistical series and monitoring.
The authors declare that there are no conflicts of interest present.