ПРОГНОЗИРОВАНИЕ ЦЕН НА ВОСТРЕБОВАННУЮ ПРОДУКЦИЮ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

FORECASTING PRICES FOR IN-DEMAND PRODUCTS USING NEURAL NETWORKS

Bulat Shakurov

Student, Department of Information Technology, Bashkir State Pedagogical University named after M. Akmulla,

Russia, Ufa

Oksana Startseva

Scientific supervisor, сandidate of Pedagogical Sciences, associate professor, Bashkir State Pedagogical University named after M. Akmulla,

Russia, Ufa

АННОТАЦИЯ

В эпоху цифровизации и быстрого развития искусственного интеллекта, способность точно прогнозировать цены становится критически важной для бизнеса. В этой работе описывается применение нейронных сетей для прогнозирования цен, начиная с теоретических основ и заканчивая практической реализацией. Рассматриваются ключевые преимущества нейронных сетей, их архитектуру и процесс обучения на основе искусственного набора данных.

ABSTRACT

In the era of digitization and rapid development of artificial intelligence, the ability to accurately forecast prices become critically important for businesses. This paper describes the application of neural networks for price forecasting, starting from theoretical foundations and concluding with practical implementation. Key advantages of neural networks, their architecture, and the training process based on artificial datasets are discussed.

Ключевые слова: нейронные сети; прогнозирование цен.

Keywords: neural networks; price forecasting.

В мире бизнеса, где ценообразование играет ключевую роль в успехе компаний, способность точно прогнозировать цены на продукцию становится неотъемлемым элементом стратегического планирования. Для предприятий, занимающихся производством и продажей товаров, умение адекватно оценивать, как изменятся цены в будущем, может иметь огромное значение.

Нейронные сети представляют собой инновационный подход к анализу данных и прогнозированию, вдохновленный функционированием человеческого мозга. Они обладают уникальной способностью обрабатывать большие объемы информации и выявлять сложные зависимости, которые могут остаться незамеченными при традиционных методах анализа.

Сравнивая нейронные сети с традиционными методами прогнозирования цен, можно выделить несколько основных преимуществ, которые делают нейронные сети более эффективными в этой области [1]:

• Обработка сложных и нелинейных зависимостей: нейронные сети способны лучше моделировать сложные и нелинейные зависимости в данных. Это особенно важно, так как рынки и цены на продукцию могут подвергаться влиянию множества факторов, которые не всегда могут быть описаны линейными моделями.
• Автоматическое извлечение признаков: нейронные сети могут автоматически извлекать важные признаки из данных в процессе обучения. Традиционные методы могут потребовать более сложной и трудоемкой предобработки данных для выделения значимых характеристик [2].
• Обучение на больших объемах данных: нейронные сети могут успешно обучаться на больших объемах данных, что позволяет им учесть большее количество информации и улучшить точность прогнозов.
• Гибкость и адаптивность: нейронные сети могут быть адаптированы к различным типам данных и задач. Это делает их универсальным инструментом, который можно применять в разных областях, включая финансы, маркетинг и экономику.
• Автоматическое обучение и обновление: некоторые виды нейронных сетей могут обучаться онлайн и автоматически обновляться, что позволяет им адаптироваться к изменяющимся условиям и данным в реальном времени.

Методология нейронных сетей включает в себя набор принципов, подходов и шагов, используемых для разработки, обучения и оценки нейронных сетей. Эта методология может быть разделена на несколько этапов [3]:

1. Подготовка данных:

• Сбор и очистка данных: начинается с сбора исходных данных, которые должны быть очищены от выбросов и ошибок.
• Разделение данных: Данные разделяются на обучающий, валидационный и тестовый наборы для обучения и оценки модели.

2. Выбор архитектуры нейронной сети:

• Определение типа сети: Выбор между различными архитектурами, такими как многослойные персептроны (MLP), сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и другие, в зависимости от задачи.
• Конфигурация слоев: Определение количества слоев, их типов, числа нейронов и функций активации.

3. Обучение модели:

• Выбор функции потерь: Определение метрики, которая будет оптимизироваться в процессе обучения.
• Оптимизация: Выбор алгоритма оптимизации, такого как стохастический градиентный спуск (SGD) или его модификации.
• Процесс обучения: Обучение модели на обучающем наборе данных путем настройки весов нейронов сети для минимизации функции потерь.

4. Оценка и валидация модели:

• Оценка на валидационном наборе: Модель оценивается на отложенных данных для контроля переобучения.
• Подстройка гиперпараметров: если необходимо, проводится подбор оптимальных значений гиперпараметров модели.

5. Тестирование и эксплуатация:

• Оценка на тестовом наборе: Модель оценивается на тестовых данных, чтобы оценить ее обобщающую способность.
• Эксплуатация: Модель может быть интегрирована в реальное приложение или использоваться для прогнозирования цен на продукцию.

6. Мониторинг и обновление:

• Мониторинг: после развертывания модели важно следить за ее производительностью и качеством прогнозов.
• Обновление: при необходимости модель может быть переобучена на новых данных или адаптирована к изменяющимся условиям.

7. Интерпретация результатов:

• Понимание важных признаков: Анализ результатов и весовых коэффициентов помогает понять, какие признаки наиболее влияют на прогнозы цен.

Рассмотрим на конкретном примере использование нейронной сети для прогнозирования цен на одежду. В качестве исходных данных был сгенерирован набор данных, где цена продукта зависит от размера, сезона и стиля. Представим фрагмент программы прогнозирования цены. Пример на Python:

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

import tensorflow as tf

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense

# Генерация искусственного набора данных

np.random.seed(0)

data_size = 1000

sizes = np.random.choice([38, 40, 42, 44, 46, 48], size=data_size)

seasons = np.random.choice([0, 1, 2, 3], size=data_size)

styles = np.random.choice([0, 1], size=data_size)

prices = 10 * sizes + 100 * seasons + 150 * styles + np.random.normal(0, 50, size=data_size)

df = pd.DataFrame({'Size': sizes, 'Season': seasons, 'Style': styles, 'Price': prices})

# Предобработка данных

X = df.drop('Price', axis=1)

y = df['Price']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

scaler = StandardScaler()

X_train_scaled = scaler.fit_transform(X_train)

X_test_scaled = scaler.transform(X_test)

# Создание и компиляция модели

model = Sequential([

Dense(10, activation='relu', input_shape=(X_train_scaled.shape[1],)),

Dense(10, activation='relu'),

Dense(1)

])

model.compile(optimizer='adam', loss='mean_squared_error')

# Обучение модели

model.fit(X_train_scaled, y_train, epochs=50, batch_size=32)

# Оценка модели

loss = model.evaluate(X_test_scaled, y_test)

print("Потери при тестировании:", loss)

Сравнивая потери на первой эпохе и последней эпохе обучения нейронной сети, мы получим следующие значения:

• Потери на первой эпохе: 457381.5312
• Потери на 50-й (последней) эпохе: 22086.6152

Несмотря на то, что модель является демонстративной и не обладает необходимым количеством обучающих наборов данных, результат обучения показывает последовательное уменьшение потерь на каждой эпохе, что является положительным признаком. Это указывает на то, что модель успешно училась на предоставленных данных и постепенно улучшала свою способность предсказывать цены.

Тем не менее, абсолютная величина потерь на 50-й эпохе всё ещё довольно высока, что может указывать на необходимость дальнейшего улучшения модели. Это может включать в себя изменение архитектуры нейронной сети, настройку гиперпараметров или использование более сложных методов обработки данных.

В заключении можно сказать, что применение нейронных сетей для прогнозирования цен на востребованную продукцию представляет собой многообещающую и перспективную область, способную значительно улучшить точность и эффективность прогнозов в мире бизнеса. С учетом постоянно меняющихся условий рынка и доступности больших объемов данных, нейронные сети могут стать незаменимым инструментом для принятия стратегических решений и оптимизации бизнес-процессов.

Список литературы:

1. Кирилычев И.А. Преимущества использования искусственных нейронных сетей в прогнозировании // Молодой учёный [электронный ресурс] — Режим доступа. — URL: https://moluch.ru/archive/413/91242/ (дата обращения 18.11.2023)
2. Нейронные сети и автоматическое выделение признаков [электронный ресурс] — Режим доступа. — URL: https://nauchniestati.ru/spravka/avtomaticheskoe-vydelenie-priznakov-i-nejronnye-seti/ (дата обращения 26.11.2023)
3. Алгоритмы обучения нейронных сетей [электронный ресурс] — Режим доступа. — URL: https://brainsstorming.hashnode.dev/algoritmy-obucheniya-nejronnyh-setej (дата обращения 04.12.2023)