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.
Каск Ярослав Николаевич — кандидат технических наук,
198035, Санкт-Петербург, ул. Двинская, 5/7.
Kask, Yaroslav N. — PhD,
5/7, Dvinskaya Str., St. Petersburg, 198035.
Терентьев Владислав Евгеньевич — кандидат технических наук, старший научный сотрудник,
198035, Санкт-Петербург, ул. Двинская 5/7.
Terentiev, Vladislav E. — PhD, Senior Researcher,
5/7 Dvinskaya Str., St. Petersburg, 198035.
Целью работы является обеспечение непрерывного мониторинга, прогнозирования и достоверности показателей состояния производства и факторов его роста на предприятиях водного транспорта, по данным статистики, на основе опыта моделирования и параметрической оценки производственных функций с применением нейтронных сетей и интеллектуальных систем. В связи с этим появляется возможность формирования значений целевых индикаторов и показателей развития внутреннего водного транспорта по контрольным периодам на краткосрочном и стратегическом уровнях. Предлагается алгоритм численной оценки параметров моделей производственных функций потребления, построенных с помощью регрессионных нейросетей по данным статистики социально-экономического развития региона. Отмечается, что существенным отличием данного способа оценки является использование нейросетевых технологий, способствующих значительному расширению технических возможностей моделирования и повышению точности вычислений путем получения рекуррентных оценок вектора искомых коэффициентов модели. Показано, что для рассматриваемого класса задач «пригонки» траекторий функции потребления к статистическим данным можно применять нейронные модели обобщенно-регрессионных сетей, обладающие простыми режимами обучения и высокой точностью моделирования. При этом применение нейросетевых технологий обеспечивает максимальное приближение модели производственной функции заданной структуры к нейронной модели при заданном начальном приближении с последующим ее использованием для оценки весовых коэффициентов. Применение алгоритма продемонстрировано на примере оценок параметров аппроксимированной с помощью нейросети функции потребления по соответствующим данным временных рядов. Получены численные оценки с применением операторных функций из арсенала Neural Networks Toolbox среды MATLAB. Предложенный алгоритм может быть применен для численного анализа производственных моделей потребления со сложными логико-вероятностными связями при оценивании целевых индикаторов и показателей развития внутреннего водного транспорта.
The purpose of the work is to ensure continuous monitoring of the characteristics and operational indicators of urban facilities and its transport infrastructure by assessing the parameters that affect not only the level of organization and automation of the processes of documenting current statistical information on consumer expenditures of the population, but also the state of production of necessary consumer goods and transport services as a whole. An algorithm for numerical estimation of the parameters of regression models of consumption functions built on the basis of statistics of socio-economic development of the region is proposed. Its significant difference from the known methods of estimation is the use of neural network technologies, which contribute to a significant expansion of the technical capabilities of modeling and increase the accuracy of calculations by obtaining recurrent estimates of the vector of the desired model coefficients. It is shown that for the considered class of problems of “fitting” the trajectories of the consumption function to statistical data, it is possible to apply neural models of generalized regression networks with simple training modes and high modeling accuracy. The use of neural network technologies provides the maximum approximation of the production function model of a given structure to the neural model to a given initial approximation with its subsequent use for estimating weight coefficients. The method application is demonstrated by estimating the parameters of the discrete-dynamic model of the consumption function according to the corresponding statistical series. Calculations are performed using the functions of the Neural Networks Toolbox of the MATLAB environment. The method is applicable for quantitative estimates of the parameters of production models with complex logical-probabilistic relationships, as well as for obtaining numerical values of target indicators and indicators for assessing the development of inland water transport by statistical series and monitoring.
The authors declare that there are no conflicts of interest present.