- •1. Роль и задачи прогнозирования в совершенствовании работы транспорта. Взаимосвязь теории прогнозирования с планированием и управлением на транспорте, проектированием транспортных систем.
- •2.Сущность прогнозирования (теоретико-познавательный и управленческий аспекты). Основные принципы и функции прогнозирования. Прогнозирование как функция управления
- •3. Система прогнозных документов республики беларусь. Отраслевые программы развития
- •Схемы функционирования прогнозирующих систем. Требования к прогнозирующим системам.
- •5.Основные понятия, используемые при разработке прогнозов (прогноз, прогнозная ретроспекция, контрольная последовательность, обучающая последовательность, период основания прогноза).
- •6.Основные понятия, используемые при разработке прогнозов (прогноз, прогнозирующая система, прогнозный фон, прогнозная проспекция, прогнозный диагноз).
- •7. Основные понятия, используемые при разработке прогнозов (прогноз, прогнозная модель, прогнозная модель оптимальной сложности, период упреждения прогноза, верификация прогноза).
- •8. Основные понятия, используемые при разработке прогнозов (прогноз, прогнозный горизонт, достоверность прогноза, ошибка прогноза, динамический ряд).
- •10. Основные прогнозируемые показатели на транспорте. Характеристика групп объектов прогнозирования. Внешние условия-факторы, формирующие прогнозный фон функционирования транспорта.
- •Классификация (типология) прогнозов (виды прогнозов).
- •12. Поисковое и нормативное прогнозирование. Сочетание основных подходов к прогнозированию.
- •13. Неопределенность исходной информации и прогноза.Методы оценки неопределенностей.
- •14. Процедуры прогнозирования
- •15. Понятие эвристики. Основные эвристики, используемые экспертами для долгосрочного прогнозирования.
- •18.Преимущества и недостатки методов пр-ния
- •19. Особенности применения различных методов прогнозирования, их сочетание.
- •20. Интуитивные (эвристические) методы прогнозирования, их преимущества и недостатки. Индивидуальные и коллективные экспертные оценки. Этапы проведения экспертизы.
- •21. Принципы и проблемы формирования коллектива экспертов. Методы. Расчёта количества экспертов в коллективе.
- •22. Обработка мнений экспертов без учета «веса» эксп. И с учетом весовых коэф-тов дифференцирования экспертов. Расчёт степени согласованности мнений экспертов. Контроль компетентности экспертов.
- •24.Метод прогнозирования «дельфи».
- •26. Прогнозирование суточных колебаний транспортных нагрузок. Расчет абсолютных и относительных параметров колебаний транспортных нагрузок.
- •27. Взаимная корреляция транспортных нагрузок
- •29. Источники ошибок прогнозов
- •30.Наличная и потребная пропускные способности. Прогноз-е резерва наличной пропускной сп-ти.
- •31.Методы вериф-ции прогнозов.
- •33.Треб-я исх. Инфо.Типы исх.Данных. Модели поведения данных,представляемые временными рядами.
- •34. Аналитическое представление моделей поведения данных временных рядов. Задачи анализа моделей поведения данных.
- •39. Прогнозирование транспортных процессов методами множественной регресии.
- •41. Ошибки в одномерном прогнозе можно оценивать шестью способами:
- •42.Недостатки коэф. Корреляции и деерминации. Способы их преодоления. Скорректиррованныйкоф. Детерм. Автокорел. Остатков прогнозных моделей
- •43.Причины появления автокор.Остатковпрогн.Модели и способы её обнаружения.Расчет статистики Дарбина-Уотсона.Преодолениеавтокор.Остатков и прогнозных моделей.
- •47. Нейросети- самоообучающиеся адаптивные алгоритмы.
- •48.Типы архитектур нейросетей
- •52.Прогнозирование объемов пассажирских перевозок на основе авторегрессионных моделей ар (показать на примере крупных транспортных узлов).
- •53. Прогнозирование объемов пассажирских перевозок на основе моделей арсс.
- •54. Прогнозирование объемов пассажирских перевозок с учетом внутригодичной неравномерности (показать на примере крупных транспортных узлов).
47. Нейросети- самоообучающиеся адаптивные алгоритмы.
Нейросети(далее НС) работают на основе генетических алгоритмов. Генетические алгоритмы реализуется в виде комп. программы. НС применяются практически во всех областях человеческой деятельности. Наибольший эффект применения НС достигается там, где невозможно или очень сложно построить математическую модель в у словиях ограниченности времени. Нейрон- элемент, аккумулирующий электр. импульсы, поступающие к нему со стороны входов и передающий аккумулируемый импульс к следующему элементу по передающему каналу.
На вход нейрона поступает некоторое множество сигналов. Каждый вход умножается на соответствующий вес, и все произведения суммируются.
48.Типы архитектур нейросетей
По архитектуре связей нейросети могут быть: сети прямого распространения, в которых связи не имеют петель , и сети рекуррентного типа, в которых возможны обратные связи. Сети прямого распространения подразделяются на однослойные и многослойные.Многослойные сети отличаются тем, что между входными и выходными данными располагаются несколько скрытых слоев нейронов
Сеть обучается, чтобы для некоторого множества входов давать желаемое множество выходов. Каждое такое входное (или выходное) множество рассматривается как вектор. В процессе обучения сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор.Различают алгоритмы обучения с учителем и без учителя.
49. ЭТАПЫ ФОРМИРОВАНИЯ КОМПЛЕКСНЫХ ПРОГНОЗОВ. ПРЕДСТАВЛЕНИЯ ВАРИАНТОВ К-Х ПРОГНОЗОВ С ПОМОЩЬЮ ГРАФОВ. ОЦЕНКА СОГЛАСОВАННОСТИ ЧАСТНЫХ ПРОГНОЗОВ И ИСКЛЮЧЕНИЕ ПРОТИВОРЕЧИВЫХ ЧАСТНЫХ ПРОГНОЗОВ(НА ПРИМЕРЕ ГРАФА R=4)
Этапы форм-я:
устанавливается степень согласованности м/уданными различных частных методов
форм-е новых несогласованных вариантов и разработка граф-варианта
0-1-2-3
0 1 2 3
2 3
3 3
Ф 1 2 3
2 3
3 3
0 1 2 3
В классе r=1 – нет никаких вакансий
r=2 - 0-1, 0-2, 0-3, 1-2, 1-3, 2-3
r=3 - 0-1-2, 0-1-3, 0-2-3, 1-2-3
r=4 - 0-1-2-3
отбор оптим. Комбинированного прогноза
Исключения частных прогнозов:
исключению подлежат все варианты, для кот, коэф-т согласованности >25
2)исключаются дуги, связанные с рассогласованными комбинациями.
50. СИНТЕЗ ПРОГНОЗНЫХ АЛЬТЕРНАТИВ С УЧЕТОВ «ВЕСА» ЧАСТНЫХ ПРОГНОЗОВ. ОЦЕНКА ТОЧНОСТИ КОМПЛЕКСНОГО ПРОГНОЗА( НА ПРИМЕРЕ ПРОГНОЗА КЛАССА R=3)
Пример расчета для класса r=3:
Граф вариант
Дисперсия:
Д=
Комбинированный прогноз:
r=3=
51. СИНТЕЗ КОМПЛЕКСНОГО ПРОГНОЗА ДЛЯ КЛАССА R=4 (СОСТАВИТЬ ГРАФ ВАРИАНТ С ОБЩИМ ЧИСЛОМ СОГЛАСОВАННЫХ ЧАСТНЫХ ПРОГНОЗОВ, РАВНЫМ 4)
Пример расчета для класса r=4:
Граф-вариант:
Дисперсия:
Д=
Комбинированный прогноз:
r=4=
