валидации, как временные ряды лингвистических нечетких множеств U:u,,i=L + l............п. В этом случае погрешность е, лингвистического прогнозирования для каждого наблюдения і принимается равной нулю, если в ряде U:u,,i = L,L + l................и для полученного лингвистического нечеткого множества 1/° ={(«’,)>(““>где максимальное значение функции принадлежности р = тахд, достигается для такого индекса г=/0, что в лингвистическом временном ряде (3.2) элемент и, совпадает с термом , т.с. е, = 0, если выполняется равенство и, = а", в противном случае значение е, = 1. Погрешность лингвистического прогнозирования определяется как среднее значение с=-----------> е, . n-L + ltt Па основании валидации результатов лингвистического прогнозирования ВР числа зарегистрированных больных в отделении «Пульмонология» получена оценка средней погрешности лингвистического прогноза е: = 9%, т.е. в процессе валидации прогнозная модель выдала один неточный прогноз в лингвистических термах для и1Я (см. табл.3.5.). В табл.2.1 (приложении 5) отражены результаты клеточно-автоматной прогнозной модели для агрегированных временных рядов Хі і=1,п, к = 2,\0 количества поступивших больных в другие отделения Карачаево-Черкесской республиканской больницы. Таким образом, с учетом предпрогнозных результатов полученных в предыдущей главе 2, можно утверждать, что реализация выбранного в работе подхода к моделированию представляет собой последовательность устоявшегося стандарта набора этапов нижнего уровня моделирования: 1. Анализ объекта моделирования, включая структурирование, с целью формирования перечня параметров и показателей моделей. 2. Выбор адекватного подхода и используемых математических методов моделирования. 131 |
е < 7% (см. приложение 3). Оценка погрешности результатов, полученных с помощью предлагае^ мой прогнозной модели, обосновывается также по отношению такого результата валидации, как ВР лингвистических нечетких множеств II: и ,,/ = !, + 1 , . В этом случае погрешность е( лингвистического прогнозирования для каждого наблюдения г принимается равной нулю, если в ряду ЛНМ И: и,., / = 1,1 + 1,...,л для полученного ЛНМ 1/° = {(м,°,//,),(м°,/^2).(«з»/^з)}> где максимальное значение функции принадлежности ц = гпах/л, достигается 15/53 для такого индекса *= /„, что в ЛВР (2.8) элемент и, совпадает с термом и°, т.е. е,= 0, если выполняется равенство и1= и°, в противном случае значение р е, = 1. Погрешность лингвистического прогнозирования определяется как На основании валидации результатов лингвистического прогнозирования ВР курса акций «Сбербанк» получена оценка средней погрешности лингвистического прогноза е1= 8,3%, т.е. в процессе валидации прогнозная модель выдала один неточный прогноз в лингвистических термах для и12 (см. приложение 3). В табл.4.7 отражены результаты клеточно-автоматной прогнозной модели для агрегированных двухнедельных временных рядов котировки акций ведущих российских компаний «РАО ЕЭС», «Ростелеком» и «Сибнефть». Таблица 4.7 Результаты клеточно-автоматной прогнозной модели для агрегированных временных рядов котировки акций «РАО ЕЭС», «Ростелеком» и «Сибнефть». _ 1 п _ среднее значение е=---------Наименование котировки акций с евXXю и <и е-о жX 3 3а.ососесо Прогнозные значения в виде лингвистического нечеткого множества числового нечеткого множества я Й 5 >>го &> О ШО 5X 2 8ЮXх и а о Xних еXXс; ееьвюX Э О * 136 РАО ЕЭС 13 х о х х Xо х и о и х и х {(Н;0,23),(С;0,75),(В;0,02)} {(8,2;0,23),(8,6;0,75),(9,4;0,02)} 8,54 23,5 % 14,5 % Ростелеком 12 со и и т х о х X X о х х {(Н;0,1),(С;0,3),(В;0,6)} {(50,8;0,1),(57,9;0,3),(65,3;0,6)} 61,6 18,6 % 12,8 % Сибнефть 10 ю х о X X и х и х X {(Н;0,04),(С;0,8),(В;0,16)} {(79;0,04),(86,5;0,8),(94;0,16)} 87,4 26,2 % 19,3 % Таким образом, с учетом предпрогнозных результатов полученных в предыдущих главах 2 и 3, можно утверждать, что реализация выбранного в настоящей работе подхода к моделированию представляет собой полную общепринятую последовательность устоявшего стандарта набора этапов моделирования: 1. Анализ объекта моделирования, включая структурирование, с целью формирования перечня параметров и показателей моделей. 2. Выбор адекватного подхода и используемых математических методов моделирования. 3. Численная реализация выбранных математических методов на базе конкретных исходных статистических данных. 4. Верификация, т.е. логический анализ модели и результатов моделирования. 5. Валидация используемых методов, включая оценку погрешности. 6. Доработка и представление окончательного варианта предлагаемого процесса моделирования. Вышеуказанная последовательность шести этапов моделирования реа |