Использование нейронных сетей в сельском хозяйстве

Сельскохозяйственная отрасль РФ в последнее время наблюдала несколько кризисных явлений, в результате чего ее развитие затормозилось, а в отдельных подотраслях даже приостановилось.

Кризисные явления, санкционные запреты, повышение цен на энерго­носители – все это приводит к снижению инвестиционной привлекательности объектов АПК, в результате чего сельскохозяйственные предприятия работают в убыток.

Наряду с изложенным, следует отметить постоянные изменения в законодательных и нормативно-правовых актах по регулированию отношений в сельском хозяйстве, отсутствие взвешенной, долгосрочной государственной программы поддержки отрасли.

Не стоит забывать и о природных факторах, которые не зависят от человека, ведь наша страна находится в зоне так называемого рискованного земледелия, где наряду с возможностью получить рекордные урожаи, существует существенный риск потерять их в результате неблагоприятных климатических условий.

Мы остановились лишь на особенностях нестабильности динамики развития отечественного сельского хозяйства, однако, отдельные колебания присущи и сельскому хозяйству всего мира. Отметим лишь наличие "сезонной" "компоненты (зависимости значений во временных рядах от периода года), влияние солнечной активности и тому подобное.

Учитывая вышесказанное, становится понятной сложность даже краткосрочного, не говоря уже о среднесрочном и долгосрочном прогнози­ровании динамики развития сельского хозяйства РФ. Но существует насущная необходимость в совершенной и современной методологии указанного прогнозирования. Это обусловлено необходимостью выхода сельскохо­зяйственной отрасли экономики РФ из кризисного положения, а также несоответствием существующей системы антикризисного регулирования требованиям отрасли.

Целью статьи является определение перспективы использования искусственных нейронных сетей при прогнозировании значений переменных, характеризующих развитие сельского хозяйства РФ.

Объектом исследования является временные ряды, отражающие динамику сельскохозяйственного развития.

Предметом исследования является использование информационных технологий на основе искусственных нейронных сетей, с целью решения формализованных задач, связанных с указанным объектом исследования. В исследовании использовались методы прямого и обратного, элементарно - теоретического анализа и синтеза, методы и процедуры иерархического кластерного анализа, определения коэффициентов регрессии и корреляции, методологии построения, обучения и использования нейронных сетей.

Первым шагом исследования стало определение общих существующих подходов к исследованию временных рядов. Таким образом, мы получаем возможность сравнить результативность использования новейших теоретико-прикладных разработок на основе нейронных сетей с традиционными средствами решения соответствующей проблематике.

Для нас очевидна определенная сложность изложения значительного объема теоретического материала относительно традиционного анализа временных рядов в рамках научной статьи. Поэтому необходимо ограничиться отдельными, наиболее, по нашему мнению, интересными ссылками, и собственными выводами по этому вопросу.

Очень важную, циклическую компоненту временных рядов, исследовал отечественный ученый О.В. Олейник. В своей монографии [7], он сумел не только обобщить существующие подходы к ее анализу, но и несколько их усовершенствовать. Общим для этих подходов является разложение динамического ряда на "гармоники". Например, гармоники Фурье, составляющие, предложенные О. В. Олейником (уравнение модифицированной синусоиды) и др.

По нашему мнению, приведенные подходы, несмотря на доказанную эффективность, имеют два главных взаимосвязанных недостатка, которые создают определенные проблемы при практическом использовании [2]:

1) Крайне трудно точно отделить, на каком этапе расчетов следует остановить процесс аппроксимации, то есть приближение уравнения регрессии к оригиналу. Как правильно отделить закономерности в стохастической выборке от так называемого «шума»?

Различные варианты решения этой задачи по-разному работают на отдельных выборках. Кстати, формально, аналогичная проблема существует в "переобучении" нейронных сетей. Однако эта проблема при применении нейронных сетей не сочетается с последующей, поскольку хорошо решается с помощью дополнительных выборок, не участвующих в обучении нейронной сети, а использующихся только для проверки ее работы.

2) Процессы выбора любой классической эконометрической модели, определение уравнений регрессии, составляющих или компонент динамического ряда, например, сезонной, циклической, тренда и нерегулярной компоненты, имеют не только качественные, но и ярко выраженные количественные ограничения.

Если первая группа ограничений учитывает только квалификацию исследователя, то вторая группа предполагает большие объемы затрачиваемого времени, необходимого на основательное моделирование процессов развития сельскохозяйственной отрасли.

В целом, было доказано [2], что динамика развития различных составляющих сельскохозяйственной отрасли имеет много общего. Иначе говоря, на развитие различных процессов влияют одни и те же факторы.

На сегодняшний день в распоряжении исследователя вместе с мощными аппаратными средствами имеются совершенные статистические программы, поддерживающие различные методы и процедуры факторного, корреляционного, регрессионного анализа (SPSS, Statistica и т.п.), однако, учитывая изменения в статистической значимости влияния отдельных факторов на развитие сельского хозяйства, при совместном моделировании различных процессов придется постоянно изменять алгоритмы расчетов. Кстати, эти изменения должны быть не механическими, а "интеллектуальными", то есть закономерности, которые выделены теми или иными путями, будут иметь разную значимость для одной выборки.

На данном этапе исследования возникает вопрос, возможно ли создать оптимальный алгоритм для прогнозирования развития сельского хозяйства РФ, результаты использования которого будут находиться в зависимости только от объема и репрезентативности анализируемых данных? Считаем, что наши дальнейшие исследования могут стать одним из этапов нахождения положительного ответа на указанный вопрос.

Одним из факторов приведенного вывода является структура и свойства искусственных нейронов, которые объединяясь в общую сеть, создают мощный вычислительный аппарат.

Другим аргументом является свойство сети усиливать свои вычислительные возможности, их количественную и качественную составляющие, путем увеличения количества нейронов "внутренних" слоев при неизменной архитектуре, которая должна отвечать как классу, так и сложности поставленных задач.

Кроме того, решения задач прогнозирования развития сельского хозяйства РФ с помощью искусственных нейронных сетей, позволяет включать в алгоритм их использования также и обучение этих сетей.

Таким образом, мы можем получить не только мощную методологию автоматизированного решения поставленных в исследовании задач, но и почти полностью автоматизированную интеллектуальную систему, которой может быть поручено решение задач анализа, прогнозирования и управления развитием сельского хозяйства.

Для дальнейшего определения перспективности использования искусственных нейронных сетей при прогнозировании значений переменных, характеризующих развитие сельского хозяйства РФ, по нашему мнению, нужно следующее [5]:

· следует выбрать оптимальную архитектуру нейронной сети для прогнозирования следующих значений временных рядов, характеризующих развитие сельскохозяйственной отрасли экономики РФ, на основе предыдущих. Поэтому, для чистоты эксперимента, мы также будем использовать в качестве "входа" одномерный массив дискретных данных;

· необходимо получить результаты прогнозирования с помощью указанной нейронной сети;

· в завершение, надо сравнить эти результаты с аналогичными, полученными более традиционными экономико-математическими средствами, и сделать соответствующие выводы.

В большинстве случаев оптимальный вариант получается на основе интуитивного подбора, хотя в литературе приведены доказательства того, что для любого алгоритма существует нейронная сеть, которая может его реализовать.

Нами были сопоставлены результаты аппроксимации и прогнозирования с помощью более традиционных математических моделей, в сравнении с собственными результатами, полученными с помощью использования нейронных сетей с одним скрытым слоем с 14 персептронов для решения задач, поставленных в исследовании.

Сначала приведем результаты оценки надежности прогнозов валового сбора зерновых по РФ с использованием различных типов трендовых кривых с базой прогноза 1980-1998 гг., приведенных в таблице 1.

Для корректной работы нейронной сети со слоями персептронов следует учитывать ее специфику, в частности тот факт, что желаемое количество образцов в обучающей выборке должно в три раза превышать количество весов синопсисов сети.

Таким образом, учитывая значительную корреляцию между значениями валового сбора основных сельскохозяйственных культур (зерновые культуры (в весе после доработки), сахарная свекла (фабричная), семена подсолнечника (в весе после доработки), картофель, овощи, плоды и ягоды), мы будем обучать сеть прогнозировать урожай любой из этих культур. Отметим, что указанная корреляция обусловлена действием общих для приведенных переменных факторов влияния, поэтому мы можем поставить перед нейронной сетью более сложную задачу многофакторного анализа и прогнозирования. Сформируем обучающую выборку из 6 образцов, содержащих по 14 входных элементов. Этими элементами будут соответствующие значения валового сбора основных сельскохозяйственных культур: зерновых, сахарной свеклы, семян подсолнечника, картофеля, овощей, плодов и ягод за период с 1980 по 1994 годы. На выходе сети мы поставили аналогичные учебные значения с 1995 по 1999 годы. Соответственно, тестирование обученной сети будет происходить на основе данных за период с 1985 по 1999 годов. Полученные на выходе сети (прогнозируемые) данные будут сравнены со значениями за 2000-2004 годы (таблица 2).

Таблица 1.

Оценка надежности прогнозов валового сбора зерновых по России с использованием различных типов трендовых кривых с базой прогноза 1980-1998 гг.

Учитывая ограниченность данной статьи и задачами исследования, мы не ставили цель изложения теоретических основ построения и использования искусственных нейронных сетей. На этой проблематике мы остановимся в будущих исследованиях. Поэтому в дальнейшем будут приведены лишь краткие характеристики той нейронной модели, которую мы построили и использовали для проведения расчетов.

Для тестирования, нами была выбрана следующая архитектура нейронной сети: многослойная сеть с последовательными связями. Количество входных нейронов - 14 (по количествам входных данных). Количество персептронов одного внутреннего скрытого слоя - 5 (по количеству значений, прогнозируемых). Соответственно, количество выходных нейронов - 5. Функция активации или передаточная функция - сигмоида (гиперболический тангенс). Контроль обучения - модернизация весов после предоставления всех образцов одновременно. Количество эпох обучения - 200.

Таким образом, была построена простейшая нейронная сеть, однако, результаты ее использования с целью прогнозирования значений временных рядов на следующие пять шагов оказались вполне приемлемыми. Стоит отметить верный выбор количества эпох обучения. С каждой эпохой снижается среднеквадратичная погрешность (рис 1).

Рисунок 1. Снижение среднеквадратичной погрешности при обучении нейронной сети в зависимости от эпохи