Метод пакетного навчання нейромереж нелінійної авторегресії для прогнозу прибутку інтернет-магазину
Journal Title: Комп’ютерне моделювання: аналіз, управління, оптимізація - Year 2018, Vol 1, Issue 1
Abstract
У статті розглядаються і аналізуються існуючі методи прогнозування прибутку інтернет-магазину. В сучасній електронній комерції є проблема недостатньої ефективності автоматизації бізнес-процесів інтернет-магазину. Ґрунтуючись на основних перевагах і недоліках, розроблено і впроваджено метод нейронної мережі прогнозування прибутку інтернет-магазину. Процес зміни кількості товарів, що продаються онлайн-магазином, як правило, нелінійний, модель прогнозу повинна адаптуватися до прогнозу кількості продажів різних товарів, і в цьому випадку має сенс використовувати штучні нейронні мережі. Метод заснований на нейронній мережі нелінійної авторегресії (NAR). Навчання NAR засноване на корекції помилок (навчання з викладачем), причому найбільш часто використовуваний алгоритм – це зворотне поширення. NAR – універсальний аппроксіматор, він забезпечує глобальну апроксимацію нелінійного відображення вхідного сигналу на виході, забезпечує хорошу якість узагальнення, автоматично визначає кількість прихованих шарів. NAR найкраще підходить для розпаралелювання; ця мережа обрана для вирішення завдань прогнозування. В якості вхідних даних навчання NAR використовувалася вибірка значень прибутку від продажів. Критерієм вибору структури мережевої моделі була мінімальна середньоквадратична помилка прогнозу. Після експерименту було виявлено, що зі збільшенням числа прихованих нейронів величина помилки зменшується. Щоб прогнозувати прибуток інтернет-магазину, досить використовувати 10 прихованих нейронів, так як при подальшому збільшенні кількості прихованих нейронів зміна значення помилки незначна. Для прискореного навчання пропонується пакетний режим. Використання режиму пакетного навчання для NAR на графічній карті GeForce 920M дозволило прискорити швидкість прямого ходу приблизно в P(N(1)+1) разів, а зворотного – приблизно в (1) (0) 2 P N (M 2) log P раз, при цьому зворотна редукція використовується для реверсування збірки по всій множині, що навчається. Для оцінки ефективності запропонованого методу були здійснені численні дослідження, щоб довести ефективність обраної мережі та її архітектури.
Authors and Affiliations
В. О. Патрушев, О. І. Патрушева
Keywords
Related Articles
- EP ID EP626257
- DOI -
- Views 120
- Downloads 0
Design and safety of wireless local computer networks
In the provided article wireless local area networks were probed. In case of design and maintenance of wireless networks it is necessary to pay the big attention to information security. There are a lot of technical issu...
Calculation algorithm of volume of adsorptive heat storage device for decentralized space heating system
The work is devoted to the development of an efficient algorithm for calculating the volume of the adsorptive thermal energy storage device for a decentralized heating system in a private house. The following computation...
Method of batch training for the neural network of nonlinear autoregression for the forecasting of internet-shopping operation
The article examines and analyzes the existing methods of forecasting the profit of an online store. In modern e-commerce there is a problem of insufficient efficiency of automation of business processes for an online st...
Decomposition method for solving systems of differential equations for the problems of modelling corrosion deformation processe
The article offers and justifies a method for solving systems of differential equations (SDE) that simulate time changes of stress and strain state due to the influence of corrosive environment (the process of corrosion...
About procedural generation of the content and its use at the creation of computer games
Procedural generation of content is crucial when creating various elements of computer games, such as game levels, buildings, textures, weapons, faces of non-player characters, trees, bushes, etc. Procedural generation i...