Регистрация / Вход
Прислать материал

Решение задачи прогнозирования в маркетинге при помощи рекуррентной искусственной нейронной сети

Фамилия
Дементьев
Имя
Антон
Отчество
Михайлович
Номинация
Информационные технологии
Институт
Институт информационных технологий и автоматизированных систем управления (ИТАСУ)
Кафедра
Инженерной кибернетики
Академическая группа
ИП-15-М
Научный руководитель
к.т.н.,доц. Кожаринов А.С.
Название тезиса
Решение задачи прогнозирования в маркетинге при помощи рекуррентной искусственной нейронной сети
Тезис

Задача прогнозирования играет большую роль в современном бизнесе. Например, в маркетинге для прогнозирования продаж из-за неправильного прогноза бизнес может нести убытки.

Для решения задачи прогнозирования лучше всего подойдет рекуррентная искусственная нейронная сеть (ИНС) Элмана.

Задача прогнозирования при помощи нейронной сети состоит из следующих этапов:

  • сбор данных для обучения;
  • подготовка и нормализация данных;
  • выбор топологии ИНС;
  • эмпирический подбор характеристик ИНС;
  • эмпирический подбор параметров обучения;
  • обучение ИНС;
  • проверка обучения на адекватность поставленной задаче;
  • корректировка параметров с учетом предыдущего шага, окончательное обучение;
  • вербализация ИНС с целью дальнейшего использования.

Рекуррентная нейронная сеть отличается от сети прямого распространения наличием хотя бы одной обратной связи. На рисунке 1 представлена архитектура рекуррентной нейронной сети со скрытыми нейронами.

Рисунок 1- Схема архитектуры рекуррентной нейронной сети со скрытыми нейронами.

В общем случае рекуррентная ИНС Элмана представляет собой структуру из трех слоев и набора дополнительных входов. Обратные связи идут от скрытого слоя к этим элементам. Связи имеют фиксированный вес, равный единице. На каждом временном отрезке входные данные распределяются по нейронам в прямом направлении. Далее происходит обучение. Благодаря фиксированным обратным связям, контекстные элементы всегда хранят копию значений из скрытого слоя за предыдущий шаг. Таким образом, шум временного ряда постепенно нивелируется, и вместе с ним минимизируется и ошибка. Данный подход позволяет получить прогноз, который будет точнее, чем результат классического подхода прогнозирования.