- •2. Общая типовая методика прогнозирования
- •6. Методы экспертных оценок (интуитивные ) к 14.10.2011
- •10.Методы логического моделирования к 21.10.2011.
- •12. Нормативные методы прогнозирования
- •Математические методы прогнозирования
- •15.Процесс разработки экономико-статистической модели (моделирование) состоит из следующих стадий [3]:
- •19. Верификация прогнозов
- •20. Понятие эффективной территории.
- •21.Наличие и структура мировых земельных ресурсов.
- •22. Прогнозирование использования мировых земельных ресурсов.
- •23. И так главный вопрос: сколько же людей сможет прокормить наша Земля?
- •24. Прогноз развития экономики россии на перспективу
- •25. Общая характеристика земельного фонда рф
- •26. Распределение земельных ресурсов по территории рф
- •Площадь субъектов Российской Федерации
- •27. Взаимосвязь прогнозирования с рентной оценкой земельных ресурсов
- •28. Распределение земель Волгоградской области по категориям на момент составления прогноза (2010г).
- •2. Распределение земель Волгоградской области по угодьям.
- •3. Динамика и структура сельскохозяйственных угодий
- •29. Прогнозирование распределения земель Волгоградской области по формам собственности, категориям и угодьям
- •30. Основные показатели охраны и улучшения земель Волгоградской области на перспективу (тыс. Га)
- •31. Прогнозируемые площади сельскохозяйственных угодий в границах Волгоградской области
- •Лекция 2.12.2011г
- •32. Перераспределение и прогнозирование использования земель в муниципальном районе.
- •37. Уточнение площади земель водного фонда и земель запаса.
- •38. Составление земельного баланса муниципального района на год прогнозирования.
- •Земельный баланс Энского района на период до 2020 г., тыс. Га
- •39. Прогнозирование земельно-кадастровых показателей в системе управления земельными ресурсами.
- •40. Применение нейросетевого и статистического анализа для моделирования системы управления.
40. Применение нейросетевого и статистического анализа для моделирования системы управления.
Один из методов определения путей повышения эффективности управления земельными ресурсами — создание математической модели на основе социально-экономических факторов, влияющих на конечный результат повышения эффективности управления — снижение финансовых затрат на процесс управления и, самое важное, повышение собираемости земельных платежей.
Для группы методов, общая цель которых — выявление сложных зависимостей, обработка больших массивов информации для нахождения новых, скрытых ранее закономерностей, сложился термин Data Mining (добыча данных), определяемый как процесс аналитического исследования больших массивов информации (обычно экономической) с целью выявления определенных закономерностей и систематических взаимосвязей между переменными в условиях неопределенности.
Этот процесс включает три основных этапа: исследование; построение модели или структуры; проверка модели.
Хотя в последнее время возрос интерес к разработке новых методов анализа данных, специально предназначенных для сферы бизнеса (например, деревья классификации), в целом системы получения данных по-прежнему основываются на классических принципах разведывательного анализа данных (РАД) и построения моделей, используя аналогичные подходы и методы.
Имеется важное отличие процедуры добычи данных от классического разведывательного анализа данных (РАД), так как системы добычи данных в большей степени ориентированы на практическое приложение полученных результатов, чем на выяснение их природы. Выяснение природы участвующих функций или конкретной формы интерактивных многомерных зависимостей между переменными не является главной целью этой процедуры, а основное внимание уделяют поиску решений, на основе которых можно было бы строить достоверные прогнозы.
Таким образом, при методе добычи данных используют подход к анализу данных и извлечению знаний, который иногда называют «черный ящик». При этом применяют не только классические приемы разведочного анализа данных, но и такие, как нейронные сети, позволяющие строить достоверные прогнозы, не уточняя конкретный вид тех зависимостей, на которых такой прогноз основан.
Разведывательный анализ данных (РАД) применяется для нахождения связей между переменными в ситуациях, когда отсутствуют (или недостаточны) априорные представления о природе этих связей. Как правило, при разведывательном анализе учитывают и сравнивают большое число переменных, а для поиска закономерностей используют самые разные методы.
Вычислительные методы разведывательного анализа данных включают основные статистические методы, а также более сложные специально разработанные методы многомерного анализа, предназначенные для отыскания закономерностей в многомерных данных. Основные методы разведывательного статистического анализа: процедура анализа распределений переменных (например, чтобы выявить переменные с несимметричным или негауссовым распределением, в том числе и бимодальные);
просмотр корреляционных матриц с целью поиска коэффициентов, превышающих определенные пороговые значения;
анализ многовходовых таблиц частот (например, «послойный» последовательный просмотр комбинаций уровней управляющих переменных).
Методы многомерного разведочного анализа специально разработаны для поиска закономерностей в многомерных данных (или последовательностях одномерных данных).
К ним относятся: кластерный анализ; факторный анализ; анализ дискриминантных функций; многомерное шкалирование; логлиней- ный анализ; канонические корреляции; пошаговая линейная и нелинейная регрессия; анализ соответствий; анализ временных рядов.
Нейронные сети — это класс аналитических методов, построенных на (гипотетических) принципах обучения мыслящих существ и функционирования мо^га и позволяющих прогнозировать значения некоторых переменных в новых наблюдениях по данным других наблюдений (для этих же или других переменных) после прохождения этапа так называемого обучения на имеющихся данных. Нейронные сети — один из методов добычи данных.
При применении этих методов прежде всего необходимо выбрать конкретную архитектуру сети (число «слоев» и число «нейронов» в каждом из них). Размер и структура сети должны соответствовать (например, в смысле формальной вычислительной сложности) существу исследуемого явления. Поскольку на начальном этапе анализа природа явления обычно не бывает хорошо известна, выбор архитектуры — непростая задача и часто связан с длительным процессом «проб и ошибок» (однако в последнее время стали появляться нейронно-сетевые программы, в которых для решения этой трудоемкой задачи поиска «наилучшей» архитектуры сети применяют методы искусственного интеллекта).
Затем выбранная сеть подвергается процессу так называемого «обучения». На этом этапе нейроны сети обрабатывают входные данные и корректируют их удельные веса таким образом, чтобы сеть наилучшим образом соответствовала (в традиционных терминах следовало бы сказать «осуществляла подгонку») существующей системе факторов, на которых выполнялось «обучение». После обучения на имеющихся данных сеть готова к работе и ее можно использовать для построения прогнозов.
«Сеть», полученная в результате «обучения», отражает закономерности, присутствующие в существующих данных. При таком подходе она оказывается функциональным эквивалентом некоторой модели зависимостей между переменными. Однако в отличие от традиционных моделей в случае «сетей» эти зависимости не могут быть записаны в явном виде, подобно тому, как это делается в статистике (например, «А положительно коррелировано с В для наблюдений, у которых величина С мала, a D — велика»).
Методы нейронных сетей можно применять и в таких исследованиях, где целью является построение объясняющей модели явления, поскольку с помощью нейронных сетей определяют значимые переменные или группы таких переменных. При этом полученные результаты могут облегчить процесс последующего построения модели.
Имеются нейросетевые программы, которые с помощью сложных алгоритмов могут находить наиболее важные входные переменные, что уже непосредственно помогает строить модель.
Одно из главных преимуществ нейронных сетей — возможность теоретически аппроксимировать любую непрерывную функцию, когда исследователю не нужно заранее принимать какие-либо гипотезы относительно модели и какие переменные действительно важны.
Однако существенным недостатком нейронных сетей является то обстоятельство, что окончательное решение зависит от начальных установок сети и, как уже отмечалось ранее, его практически невозможно «интерпретировать» в традиционных аналитических терминах, которые обычно применяют при построении теории явления.