ПРИМЕНЕНИЕ СТАТИСТИЧЕСКИХ МЕТОДОВ, КЛАСТЕРНОГО АНАЛИЗА И НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ПРИ ПРОГНОЗИРОВАНИИ ЗАКУПОЧНЫХ ЦЕН ЛЕКАРСТВ

О журнале

Новости

Цели и сфера

Основатель и издатель

Редакционная коллегия

Условия лицензирования

Конфиденциальность

Отношение к плагиату

Публикационная этика

Политика архивирования

Подписка

Для авторов

Инструкции для авторов

Процесс рецензирования

Авторские права

Договор о передаче прав

Редакционные сборы

Архив

Все выпуски

Поиск

Контакты

Контакты

Андриевская Наталия Климовна
кандидат технических наук
доцент
выполняет обязанности заведующего кафедрой «Автоматизированные системы управления» Донецкого национального технического университета.
Область научных интересов: онтологическое проектирование, семантические технологии, интеллектуальные методы управления.

Мартыненко Татьяна Владимировна
кандидат технических наук
доцент кафедры автоматизированных систем управления Донецкого национального технического университета.
Область научных интересов: анализ видеоинформации, машинное обучение, современные методы оптимизации, интеллектуальные методы управления.

Васяева Татьяна Александровна
кандидат технических наук
доцент
декан факультета информационных систем и технологий Донецкого национального технического университета.
Область научных интересов: машинное обучение, нейросетевое и эволюционное моделирование, методы и системы искусственного интеллекта.

Скачать pdf

УДК 004.048
DOI 10.34757/2413-7383.2023.31.4.005
Аннотация: В статье рассмотрена проблема планирования закупок лекарственных средств аптечной сети. При определении оптимальной закупочной цены возникает необходимость в прогнозировании цен по историческому массиву данных прайс-листов. Проанализированы традиционные статистические подходы к прогнозированию, а также методы на основе нейронной сети. Реализованы четыре метода: метод скользящего среднего; метод случайного леса; метод K-ближайших соседей; нейронная сеть с архитектурой LSTM. На основании ряда метрик произведена оценка качества прогноза тестируемых методов. Проведенные эксперименты показали высокую точность прогнозирования
Ключевые слова: нейронная сеть, LSTM, закупки, прогнозирование, метод прогноза, точность прогноза.

Список литературы:
1. Светличная В.А. Использование методов теории принятия решений для выбора оптимальной стратегии при закупке лекарственных средств / В.А. Светличная, Е.А. Шумаева, О.В. Ченгарь, А.В. Андриевская. Экономика строительства и городского хозяйства. 2020. Т. 16. № 1. С. 41-48.
2. Золотова И.Ю. Краткосрочное прогнозирование цен на российском оптовом рынке электро-энергии на основе нейронных сетей. Проблемы прогнозирования. 2017.
3. Андриевская, А.В. Экстраполяционные методы прогнозирования закупочных цен лекарств в условиях аптечной сети / А.В. Андриевская, В.О. Вовченко, Н.К. Андриевская. Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2021). Материалы XII Международной научно-технической конференции в рамках VII Международного Научного форума Донецкой Народной Республики к 100-летию ДонНТУ. 2021, 169-175.
4. Метод скользящей средней в статистике [Электронный ресурс]. URL: https://www.goodstudents.ru/statistika-zadachi/1144-metod-skolzyashej-srednej.html// (дата обращения: 19.05.2023).
5. Feature selection for time-series prediction in case of undetermined estimation. Khmilovyi S., Skobtsov Yu., Vasyaeva T., Andrievskaya N.В сборнике: Biologically Inspired Cognitive Architectures (BICA) for Young Scientists. Proceedings of the First International Early Research Career Enhancement School (FIERCES 2016). Cham, 2016. С. 85-97.
6. Хаирова, С.М., Хаиров, Б.Г., Шимохин, А.В. Методика работы с поставщиками на основе моделирования работы нейронной сети при решении вопросов выбора поставщиков услуг. Фундаментальные исследования. № 7, 2020.
7. Хайрутдинов, М.Р. Применение нейронной сети с обратным распространением и нейронной сети с скрытыми нейронами для прогнозирования потребности в критических запасных частях. Академическая публицистика. 2021. №3.
8. Беспалова С.В., Романчук С.М., Ермоленко Т.В., Бондаренко В.И. Построение предсказательных моделей параметров давления воды в водораспределительных сетях с помощью методов машинного обучения. Проблемы искусственного интеллекта. 2019. №2 (13).
9. Сазонтьев, В. В. Прогнозирование цен на услуги и товары с использованием нейронных сетей/ Под общей редакцией: Тихонов А. Н., Азаров В. Н., Аристова У. В., Карасев М. В., Кулагин В. П., Леохин Ю. Л., Львов Б. Г., Титкова Н. С. Научно-техническая конференция студентов, аспирантов и молодых специалистов НИУ ВШЭ. Материалы конференции/ М. : МИЭМ НИУ ВШЭ, 2014. С. 84-85.
10. Зюсько, К.Д. Прогноз спроса на товар с помощью нейронных сетей в условиях меняющейся размерности входных данных. Экономика и качество систем связи. 2020. №1.
11. Рубан, О. И. Использование технологии нейросетей в повседневности. Летняя школа по искусственному интеллекту 2019 / Кафедра системных исследований МФТИ, Институт проблем искусственного интеллекта ФИЦ ИУ РАН, Российская ассоциация искусственного интеллекта. 4-7 июля 2019 г. Россия, кампус МФТИ.
12. Ступак, А. А. Управление запасами с использованием нейронных сетей. Управление инвестициями и инновациями. 2017. № 3. С. 95-103.
13. Бутор, Л. В. Применение искусственных нейронных сетей для прогнозирования закупок = Application of artificial neural networks for procurement forecasting. Инженерная экономика [Электронный ресурс] : сборник материалов международной научно-технической конференции профессорско-преподавательского состава в рамках 20-й Международной научно-технической конференции «Наука – образованию, производству, экономике», 26-28 апреля 2022 / Белорусский национальный технический университет, Машиностроительный факультет ; редкол.: А. В. Плясунков, Т. А. Сахнович ; сост. А. В. Плясунков. Минск : БНТУ, 2022. С. 12-15.
14. Использование нейронных сетей в задаче прогнозирования закупок товаров / Д. А. Балавнев, М. Л. Киндулов, Б. Р. Горелов, Т. О. Шергин. Молодой ученый. 2020 № 27 (317). С. 30-32.
15. Stock Prices Dynamics Forecasting with Recurrent Neural Networks / T. Vasyaeva, T. Martynenko, S. Khmilovyi, N. Andrievskaya. Открытые семантические технологии проектирования интеллектуальных систем. 2020. No 4. P. 277-282.
16. Stock prices forecasting with LSTM networks. Vasyaeva T., Martynenko T., Khmilovyi S., Andrievskaya N. Communications in Computer and Information Science. 2019. Т. 1093. С. 59-69.
17. Возможности и недостатки использования скользящей средней при выработке прогнозных решений. Приоритетные научные направления: от теории к практике. 2015. №19.
18. Труфанова, Т.В. Нещеменко, К.Д. Способы прогнозирования курса валют на основе моделей экспоненциального сглаживания и Хольта. Вестник Амурского государственного университета. Серия: Естественные и экономические науки. 2019. №87.
19. Машинное обучение для начинающих: алгоритм случайного леса (Random Forest) [Электронный ресурс]. URL: https://clck.ru/335YFV// (дата обращения: 19.05.2023).
20. Метод ближайших соседей (kNN) [Электронный ресурс]. URL: https://clck.ru/34YodU (дата обращения: 19.05.2023).
21. Типы нейронных сетей. Принцип их работы и сфера применения [Электронный ресурс]. URL: https://otus.ru/nest/post/1263 // (дата обращения: 19.05.2023).
22. Пустынный, Я.Н. Решение проблемы исчезающего градиента с помощью нейронных сетей долгой краткосрочной памяти. Инновации и инвестиции. 2020. №2.
23. Турунцева Марина Юрьевна Оценка качества прогнозов: простейшие методы. Российское предпринимательство. 2011. №8-1.
24. Коэффициент детерминации (Coefficient of determination) [Электронный ресурс] – URL: https://wiki.loginom.ru/articles/coefficient-of-determination.html // (дата обращения: 19.05.2023).
25. Кинякин, В.Н., Милевская, Ю.С. Некоторые предостережения по проверке качества модели регрессии с помощью коэффициента детерминации. Вестник Московского университета МВД России. 2014. №8.
26. Шпаргалка по разновидностям нейронных сетей. Часть первая. Элементарные конфигурации [Электронный ресурс]. URL: https://tproger.ru/translations/neural-network-zoo-1 // (дата обращения: 20.05.2023).

Выпуск: 4(31)'2023
Раздел: Математическое моделирование
Как цитировать:

Назад к выпуску 4(31)'2023