В настоящей главе предлагается математическая модель и метод для анализа ВР заболеваний в региональной отрасли здравоохранения, в частности, прогнозирование заболеваемости людей с различными диагнозами в отделения лечебного учреждения, конкретно, республиканской больницы КарачаевоЧеркесской республики (КЧР). Предлагаемая модель базируется на инструментарии линейных клеточных автоматов [80], которые имеют ряд преимуществ перед традиционными классическими моделями [80,99]. Важно отметить, что существующие к настоящему времени традиционные подходы к прогнозированию ВР базируются на декомпозиции, т.с. на выделении из рассматриваемого ВР компонент тренда, сезонности, цикличности, а также остаточной компоненты. В работе [124] отмечено, что в результате проведения указанной «хирургической» операции декомпозиции теряется или искажается в отдельных случаях существенная информация о динамике поведения ВР, что негативным образом сказывается на точности получаемого прогнозного значения. Преимущество предлагаемого подхода к прогнозированию временных рядов, а именно, клеточно-автоматной прогнозной модели состоит в том, что опа не использует указанную декомпозицию рассматриваемого ВР и, следовательно, снимает проблему потери информации при разложении ВР на компоненты. Второе замечание, относящееся к традиционным подходам к прогнозированию, обусловлено тем фактом, что при выборе тренда, при выделении сезонной компоненты, при определении циклических компонент неизбежно присутствует определенная мера субъективизма. Такого рода «проблема субъективизма» нс возникает при построении клеточно-автоматной прогнозной модели просто потому, что она не оперирует понятиями тренд, сезонность, цикличность. Из сравнения традиционного и клеточно-автоматного подхода к прогнозированию вытекает третье замечание, отмечающее возможность привлечения в процесс клеточно-автоматного прогнозирования нечисловой 108 |
ведущих российских компаний «РАО ЕЭС», «Сбербанк», «Ростелеком», «Сибнефть». Предлагаемая модель базируется на инструментарии линейных клеточных автоматов, которые имеют ряд преимуществ перед традиционными классическими моделями [80,94]. Важно отметить, что существующие к настоящему времени традиционные подходы к прогнозированию экономических ВР базируются на декомпозиции, т.е. на выделении из рассматриваемого ВР компонент тренда, сезонности, цикличности, а также остаточной компоненты. В работе [124] отмечено, что в результате проведения указанной «хирургической» операции декомпозиции теряется или искажается в отдельных случаях существенная информация о динамике поведения ВР, что негативным образом сказывается на точности получаемого прогнозного значения. Преимущество предлагаемого подхода к прогнозированию экономических временных рядов, а именно клеточно-автоматной прогнозной модели состоит в том, что она не использует указанную декомпозицию рассматриваемого ВР и, следовательно, снимает проблему потери информации при разложении ВР на компоненты. Второе замечание, относящееся к традиционным подходам к прогнозированию, обусловлено тем фактом, что при выборе тренда, при выделении сезонной компоненты, при определении циклических компонент неизбежно присутствует определенная мера субъективизма. Такого рода «проблема субъективизма» не возникает при построении клеточно-автоматной прогнозной модели просто потому, что она не оперирует понятиями тренд, сезонность, цикличность. Отмеченная в работе [124] проблема ограниченной преемственности макроэкономических данных является особенно характерной для экономики переходного периода, например, данные, относящиеся к начальному «социалистическому» периоду, по своей экономической сущности отличаются от данных, относящихся к завершающему «капиталистическому» периоду. Имеются основания утверждать, что проблема ограниченной преемственности макроэкономических данных в значительной степени снимается в кле точно-автоматной прогнозной модели по той причине, что эта модель оперирует не числовыми значениями измеряемых наблюдений, а качественными лингвистическими оценками. Аналогичным образом, в клеточно-автоматной прогнозной модели снимается или ослабляется известная проблема использования различных инструментов или методов измерения уровней (наблюдений) экономических ВР. Из сравнения традиционного и клеточно-автоматного подхода к прогнозированию вытекает четвертое замечание, отмечающее возможность привлечения в процесс клеточно-автоматного прогнозирования нечисловой (качественной, лингвистической и т.д.) информации, характеризующей динамику рассматриваемого процесса. Особого внимания заслуживает тот факт, что в отдельных случаях в результате применения клеточно-автоматной прогнозной модели к остаточной (считающейся не прогнозируемой традиционными методами) компоненте удается получить дополнительную информацию, использование которой приводит к более точному и надежному прогнозу. 4.3 Общая схема и принципы работы клеточно-автоматной прогнозной модели 4.3.1 Преобразование числового временного ряда в лингвистический временнойряд методом огибающих ломанных Алгоритм прогнозирования на базе клеточного автомата реализуется в системном единстве с процессом моделирования долговременной памяти и завершается получением прогноза, включая валидацию (оценивание погрешности результата). Алгоритм его реализации состоит из следующих шести этапов. Этап 1. Использование статистических методов [110,112] и визуализация для предварительного анализа данного ВР на предмет выявления наличия или отсутствия тяжелых хвостов, трендов, циклических или сезонных компонент и др. |