IAS development for industrial economic forecasting

Full Text

На сегодняшний день актуальной проблемой является прогнозирование промышленной экономики России, в связи с нестабильной экономической ситуацией многие разработанные методы не могут справиться с предсказанием поведения тренда. Прогнозирование необходимо крупным компаниям для принятия грамотных управленческих решений, которые позволят стабилизировать и улучшить производственные затраты. Промышленный сектор является ключевым в экономике России, производство промышленной продукции способствует экономическому росту страны. Также добыча промышленными предприятиями угля, нефти, древесины является приоритетной экспорт в страны ближнего и дальнего зарубежья.

Целью данной работы является разработка информационно-аналитической системы (ИАС) прогнозирования промышленных показателей.

В рамках данной работы будут решены следующие задачи:

• сравнительный анализ архитектуры программного обеспечения;
• разработка ИАС-прогнозирования;
• первичный расчет прогнозирования.

1. Анализ архитектур программного обеспечения

Выбор архитектуры для ИАС является важнейшим пунктом в дальнейшей работе над ее реализацией. Необходимо учитывать специфику задачи, чтобы понять, какая архитектура способна подойти для решения задачи прогнозирования промышленных показателей. Для реализации необходимо учитывать такие факторы, как гибкость, масштабируемость и устойчивость к сбоям. Необходимо учитывать, что методы прогнозирования могут внедряться постепенно, это не должно приводить всю систему к критическим сбоям.

Для ИАС был выбран ряд методов прогнозирования на основе авторского анализа:

• Линейная регрессия.
• Дерево решений.
• Нейронные сети.
• SARIMA.
• Экспоненциальное сглаживание.
• Случайный лес.
• Градиентный бустинг.
• Adaptive Boosting.
• Метод k-ближайших соседей [1, 2].

Автором выбраны следующие критерии оценки верификации: MAPE, критерий Дарбина-Уотсона, коэффициент детерминации, F-статистика [3].

Были собраны статистические ежеквартальные данные за период с 2012 по 2024 год, данные очищены, стандартизированы, рассчитана корреляция.

Все методы будут внедрены в ИАС.

Разработан авторский подход к оценке архитектуры программного обеспечения, который включает в себя такие критерии оценки, как скорость, гибкость и простота реализации (табл. 1).

Можно сделать вывод, что для поставленной цели подходят следующие архитектуры: микросервисная, событийно-ориентированная, слойная.

Для решения задачи была выбрана микросервисная архитектура. Плюсами для решения задачи можно выделить гибкость, что позволит внедрять новые подходы и методы в ходе работы, масштабируемость, устойчивость к сбоям [4].

Для реализации ИАС использована пакетная обработка данных. Данный принцип подходит для любого объема данных, не требующего аналитики в реальном времени, что позволит лучше обучиться модели для более точного результата. По уровню интеграции был выбран централизованный подход к построению системы. За счет того, что все данные хранятся и обрабатываются в одном месте, нагрузка на систему не существенна, что позволит оптимизировать работу системы. По уровню автоматизации был выбран автоматизированный анализ, состоящий из методов машинного обучения, что позволит оптимизировать работу системы и за счет гибридного подхода получить качественный результат.

Критерии точности модели определяют ее состояние и способность сделать точный расчет. Для определения точности существует ряд критериев, способных в полной мере показать работу модели.

Рассмотрим основные метрики оценки качества и точности модели.

Расчет средней ошибки прогнозирования (MAPE)

1. MAPE < 10%: отличная точность прогноза.
2. 10% ≤ MAPE < 20%: хорошая точность прогноза.
3. 20% ≤ MAPE < 50%: удовлетворительная точность,
4. MAPE ≥ 50%: низкая точность прогноза.

Расчет коэффициента детерминации (R²)

1. R² близко к 1 (0.9–1): модель хорошо объясняет дисперсию данных.
2. R² в диапазоне 0.7–0.9: умеренная объясняющая способность.
3. R² в диапазоне 0.5–0.7: слабая объясняющая способность.
4. R² < 0.5: модель плохо объясняет дисперсию данных.

Расчет коэффициента Фишера:

1. F > F-критическое (из  таблиц  распределения  Фишера):  модель  статистически значима.
2. F ≤ F-критическое: модель незначима.

Критерий Дарбина-Уотсона

1. DW ≈ 2: отсутствие автокорреляции остатков.
2. DW < 1 или DW > 3: наличие автокорреляции (положительной или отрицательной).
3. 5 < DW < 2.5: приемлемый диапазон для отсутствия автокорреляции.

Cредняя абсолютная ошибка (MAE)

1. MAE близко к 0: высокая точность прогноза.
2. MAE сравнивается с другими моделями: чем меньше MAE, тем лучше модель.

P-значение

1. P-значение < 0.05: гипотеза отвергается, результат статистически значим.
2. P-значение < 0.01: высокая статистическая значимость.
3. P-значение ≥ 0.05: гипотеза не отвергается, результат незначим.
4. Разработка информационно-аналитической системы

прогнозирования

Для разработки ИАС требуется разделить программу на frontend и backend. Данное разделение поможет структурировать разработку, чтобы избежать критических ошибок. Для разработки был выбран язык программирования Python, IDE Pycharm. Язык программирования Python обладает большим количеством библиотек для визуализации и расчета эконометрических методов и методов машинного обучения, также он прост в обращении, что позволяет сократить время разработки и оптимизировать полученный код [5].

Микросервисная архитектура включает в себя разделение методов таким образом, чтобы при возникновении критической ошибки у одного из методов другие могли работать в штатном режиме. Данный подход удобен при внедрении новых методов прогнозирования к уже существующим, что позволит всей системе работать независимо от добавления нового метода [6].

На первом этапе определим, какие библиотеки необходимы для дальнейшей работы:

• Pandas – для работы с таблицами;
• Numpy – для работы с массивами данных;
• Tkinter – для работы с графическим интерфейсом;
• Matplotlib – для работы с графиками;
• Sklearn – для работы с методами машинного обучения;
• Statsmodels – для работы со статистическим анализом;
• Scipy – для работы с научными вычислениями¹.

Установим все библиотеки (рис. 1) [7].

¹Библиотека Tkinter в Python [Электронный ресурс]. Режим доступа: https://selectel.ru/blog/tutorials/tkinter-library-in-python/  (Дата обращения: 15.03.2025)

Внедряем верификацию для методов прогнозирования MAPE, критерий Дарбина-Уотсона, коэффициент детерминации, F-статистику (рис. 3).

Разделяем выборку на тестовую и обучающую, после прописываем все методы прогнозирования (рис. 4).

Следующим этапом разработаем визуальную часть программы. Для разработки интерфейса была использована библиотека Tkinter (рис. 5).

Пример разработанного интерфейса на рис. 6.

Расчет прогнозирования промышленных показателей России

Принцип работы программы заключается в следующих шагах:

• Выбор показателя прогнозирования, на первом этапе необходимо выбрать 1 из 40 предложенных показателей.
• Выбираем первый метод прогнозирования – линейная регрессия, на ней модель обучается и строит первичный прогноз, если метрики верификации попали в интервал качества, то метод считается хорошим, и можно строить прогноз на квартал.
• Если метод не прошел верификацию, выбирается следующий метод, данный шаг повторяется, пока не будет получен точный результат прогнозирования, где все метрики верификации находятся выше точек отсечения [8].
• Строим прогнозирования на квартал.
• Выгружаем результаты в отдельный файл для проведения анализа.

На рисунке 7 показан пример визуализации прогнозирования показателя FANERA при помощи метода «дерево решений».

Данный подход оптимальный для решения задачи прогнозирования промышленных показателей за счет гибридного выбора методов, которые обеспечивают точность и достоверность расчетов [9].

Заключение

В заключение хочется отметить, что в рамках данной работы были решены следующие задачи.

Проанализированы авторским методом архитектуры программного обеспечения, был выявлен оптимальный метод для решения задачи разработки ИАС-прогнозирования. Разработана и описана архитектура ИАС, описаны используемые библиотеки и принцип работы. Построен первичный прогноз разработанной ИАС, сделаны выводы. Разработанная система может использоваться в ситуационных центрах и на коммерческих предприятиях для увеличения точности управленческих решений.

About the authors

V. R. Iksanov

Author for correspondence.
Email: vlad-iksanov@mail.ru
ORCID iD: 0009-0003-7810-3720
SPIN-code: 6750-3298

Master, Assistant of the Department of Computer Science

References

Supplementary files

Supplementary Files

Action

1. JATS XML

Download

2. Таблица 1

Download (250KB)

Indexing metadata