Учебное пособие для студентов магистерских программ москва Екатеринбург 014 удк ббк п

Рисунок 6.1 

 Прогноз производства продукции на основе нейронной ис-
кусственной сети 
 
 
Рисунок 6.2 

 Диаграмма рассеяния и прогноз производства продукции на 
модели линейной регрессии 

---

208 
Сценарий, реализующий построение прогнозных моделей, пред-
ставлен на рисунке 6.3 
 
Рисунок 6.3 

 Сценарий построения прогнозных моделей 
Обобщенная оценка качества модели осуществлялась на основе 
следующих оценок ошибки прогноза (таблица 6.2): 
-
среднее абсолютное отклонение (Mean Absolute Derivation, 
MAD), позволяющее оценить ошибку в тех же единицах, что и ис-
ходный ряд: 
, 
где 
─ фактическое значение исследуемой характеристики на 
участке ретропрогноза,
 ─ расчетное значение исследуемой харак-
теристики на участке ретропрогноза; 
-
средняя процентная ошибка(Mean Percentage Error, MPR), по-
зволяющая оценить возможное смещение прогноза: 
; 
-
средняя абсолютная ошибка в процентах (Mean Absolute 
Percentage Error, MАPE): 
100%. 
Таблица 6.2 

 Оценка качества прогнозных моделей 
Категории/ Показа-
тели 
Модель линейной 
регрессии 
Модели ИНС 
MAD 
MPE MAPE 
MAD 
MPE MAPE 
Мясо, 
включая 
субпpодукты , т 
17709,9967 6,66% 6,66% 
7997,528 
3,00% 3,00% 
Мясные 
полуфабpикаты, т 
7457,11 
6,30% 6,30% 
3099,431 
0,78% 2,67% 
Колбасные изделия, т 12873,7233 7,23% 7,23% 5333,23333 0,90% 2,89% 

---

209 
Оценка качества моделей позволяет сделать вывод о возмож-
ности применения нелинейной модели прогноза на основе искусст-
венной нейронной сети. Полученные результаты подтверждают 
тот факт, что традиционные методы прогнозирования при слож-
ной поведенческой модели имеют определенные ограничения к при-
менению. Искусственные нейронные сети, являясь малочувствитель-
ными к форме данных, представляют собой более универсальный ин-
струмент среди методов обработки данных. Однако в конструк-
тивном плане эти методы должны дополнять друг друга для повы-
шения качества и значимости полученных прогнозов.