Гибридный алгоритм прогнозирования и комплекс реализующих его программ тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Евсеева, Анна Владимировна

• Евсеева, Анна Владимировна
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Евсеева, Анна Владимировна

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ СИСТЕМ ПРОГНОЗИРОВАНИЯ И ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.

1.1. Прогнозирование как предмет научного исследования.

1.2. Современные методы построения прогноза.

1.3. Математическая постановка задачи прогнозирования и выбор метода решения.

Выводы по главе 1.

ГЛАВА 2. РАЗРАБОТКА СИСТЕМЫ ПРОГНОЗИРОВАНИЯ.

2.1. Разработка алгоритмов решения задачи прогнозирования с помощью базовых методов.

2.2. Разработка гибридного алгоритма прогнозирования.

Выводы по главе 2.

ГЛАВА 3. РАСПАРАЛЛЕЛИВАНИЕ ВЫЧИСЛЕНИЙ НА СУПЕРКОМПЬЮТЕРЕ С ГРАФИЧЕСКИМИ УСКОРИТЕЛЯМИ.

3.1. Увеличение скорости выполнения алгоритма за счет использования технологии параллельных вычислений CUDA.

3.2. Алгоритм распараллеливания поиска оптимального решения при помощи технологии CUD А.

Выводы по главе 3.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ (НА ПРИМЕРЕ ПОКАЗАТЕЛЕЙ ЭЛЕКТРОПОТРЕБЛЕНИЯ).

4.1. Проблема прогнозирования в области электроэнергетических услуг.

4.2. Анализ динамики временного ряда электропотребления и планирование эксперимента.

4.3. Результаты оценки точности системы прогнозирования электропотребления.

4.4. Результаты сравнительного анализа с другими современными моделями прогнозирования электропотребления.

4.5. Перспектива использования разработанного комплекса прогнозирования.

Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Гибридный алгоритм прогнозирования и комплекс реализующих его программ»

Построение точного прогноза для некоторого наблюдаемого процесса или явления - задача, нахождение решения которой является заветной целью для многих исследователей в самых разных областях человеческой деятельности. Независимо от предметной области (медицина, рынок услуг или технологическое производство) получение оптимального с точки зрения задаваемого критерия прогноза всегда принесет желаемую выгоду. В одном случае она может быть выражена в сэкономленных денежных средствах компании, в другом - в спасенных человеческих жизнях.

При всем многообразии существующих методов прогнозирования каждый из них решает задачу определения состояния некоторого объекта в будущем по значениям некоторых показателей, известных в настоящем. Так, например, в метеорологии прогнозированию подвергаются атмосферные явления, в гидрологии - паводки, в техносфере - режимы работы механизмов, в экономике - финансовые показателей, в энергетике - потребление ресурсов.

Результат прогнозирования зависит от многих параметров, таких как объем необходимой статистической информации, ее качество и достоверность, точность анализа предмета исследования, корректность в постановке задачи прогнозирования, доступности необходимых вычислительных средств. А также одним из определяющих факторов является обоснованный выбор необходимого метода прогнозирования [5].

Основы теории построения прогноза с помощью различных подходов заложены в работах Н. Винера, JI. Фогеля, А. Айфичера, Г. Лэма, Ф. Уоссермана, А .Я. Городецкого, В.А. Головко, В.А. Бесекерского, А.Б. Сергиенко и др.

Значительный вклад в решение вопросов прогнозирования на основе анализа временных рядов внесли Б.А. Староверов, Ф.Н. Ясинский, Б.И. Макоклюев, А.И. Орлов, В.Г. Царегородцев.

На сегодняшний день рынок программных продуктов, позволяющих строить прогноз с учетом тех или иных требований достаточно разнообразен. В качестве примера можно привести некоторые из числа самых распространенных программ, как универсальных: Microsoft Excel, Statistica, ForecastPro, Simulink, SPSS Statistics, так и специальных: NeuroShell Trader, Энергостат, IBM Traffic Prediction Tool, Stepwise Linear Search.

Несмотря на многочисленные разработки, которые ведутся в настоящее время в данном направлении, проблема продолжает быть актуальной по ряду причин. Во-первых, у каждого алгоритма есть как свои достоинства, так и недостатки. В зависимости от поставленной задачи не всегда является возможным применение одного из уже имеющихся подходов, без учета наличия его слабых сторон. Во-вторых, для каждой конкретной практической задачи характерно наличие своей специфики, что зачастую приводит к необходимости разработки алгоритма для отдельно взятой проблемы в рассматриваемой предметной области.

Цель проводимого исследования - разработка нового гибридного алгоритма для построения прогноза на основе анализа временных рядов, позволяющего повысить точность вычислений, а так же разработка комплекса программ для решения задач прогнозирования с его использованием. Для реализации поставленной цели были определены следующие подзадачи:

1. Выбрать и программно реализовать оптимальные подходы для решения поставленной задачи;

2. Разработать и реализовать программно гибридный метод расчета прогнозных значений на основе выбранных подходов;

3. Разработать методику оптимизации вычислительного процесса, позволяющую повысить точность решения данной задачи гибридным методом;

4. Разработать стратегию распараллеливания для решения поставленной задачи с учетом предложенной методики оптимизации на суперкомпьютере с графическими ускорителями;

5. Разработать программный комплекс для использования разработанных методов при решении задачи прогнозирования;

6. Провести апробацию разработанной системы на примере решения задачи прогнозирования электропотребления.

Объект исследования - временные ряды с наличием периодической составляющей в характере поведения.

Предмет исследования - математические методы построения прогноза, базирующиеся на основе анализа временных рядов.

Для решения поставленных задач были использованы: методы математического моделирования и прогнозирования временных рядов; понятия и методы теории нейронных сетей; основы теории фильтрации; методы эволюционного моделирования; методы вычислительной математики; теория параллельных вычислений.

В диссертационной работе впервые получены, составляют предмет научной новизны и выносятся на защиту следующие результаты:

1. Разработан принципиально новый гибридный алгоритм, объединяющий результаты прогнозирования трех методов: фильтра Винера, нейросетевого подхода и эволюционного моделирования, позволивший повысить точность прогнозирования.

2. Составлена и решена с помощью метода наименьших квадратов и метода градиентного спуска задача оптимизации для нахождения оптимального набора коэффициентов, позволяющая максимально повысить точность прогнозирования.

3. С использованием технологии С1ЮА на суперкомпьютере с графическими ускорителями выполнена параллельная реализация базовых методов, а также самого гибридного алгоритма для уменьшения времени построения прогноза.

Обоснованность основных научных положений и выводов обеспечивается корректным использованием методов математического моделирования и прогнозирования временных рядов, теории искусственных нейронных сетей и теории фильтрации, методов эволюционного моделирования и вычислительной математики.

Достоверность полученных результатов компьютерного моделирования подтверждается их согласованностью с фактическими данными

Практическая значимость диссертационной работы заключается в создании методики, позволяющей повысить эффективность существующих подходов прогнозирования на основе анализа временных рядов.

Разработанный программный комплекс может быть использован для решения задачи прогнозирования на сутки вперед для показателей потребления электроэнергии, что подтверждается актом внедрения результатов исследования в деятельность Ивановской энергосбытовой компании.

Указанная методика может быть использована при построении прогноза для временных рядов показателей из других предметных областей, отличающихся наличием периодической составляющей в характере поведения. В частности, для прогнозирования вероятности возникновения лесных пожаров, о чем свидетельствует акт внедрения результатов в процесс выполнения комплексного проекта по созданию высокотехнологичного производства «Разработка программно-технического комплекса обнаружения и прогнозирования крупномасштабных природных пожаров» (2010-218-02-139) при поддержке Министерства образования и науки РФ (ГК № 13.G25.31.0077) сотрудниками ГОУ ВПО «Ивановский институт ГПС МЧС России».

Написаны программы для построения прогноза с помощью следующих методов: фильтра Винера, нейронной сети, эволюционного моделирования, гибридного алгоритма. Разработаны параллельные версии указанных методов. Представленный гибридный алгоритм и его параллельная версия зарегистрированы в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам. Получены два свидетельства о регистрации программ для ЭВМ № 2011617027 [54] и № 2011616154 [53].

Разработанная методика и программный комплекс используются в учебном процессе кафедры высокопроизводительных вычислительных систем «Ивановского государственного энергетического университета имени В.И. Ленина», что подтверждается справкой о внедрении результатов исследования в учебный процесс.

Основные положения диссертационной работы докладывались и обсуждались на IX международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2010 г.), X международной конференции «Высокопроизводительные параллельные вычисления на кластерных системах» (Пермь, 2010 г.), V международной научно-практической конференции «Пожарная и аварийная безопасность» (Иваново, 2010 г.), Межвузовской научно-технической конференции аспирантов и студентов «Молодые ученые -развитию текстильной и легкой промышленности» ПОИСК-2011 (Иваново, 2011 г.), на расширенном заседании кафедры автоматики и микропроцессорной техники Костромского государственного технологического университета (Кострома, 2011 г.).

По материалам диссертации опубликовано 11 печатных работ, в том числе четыре статьи в изданиях, рекомендованных ВАК министерства образования и науки РФ, два свидетельства о регистрации программ для ЭВМ.

Работа состоит из введения, четырех глав, заключения, библиографического списка, включающего 146 наименований, и четырех приложений. Полный объем диссертации составляет 173 страницы, включая 29 рисунков и 13 таблиц.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Евсеева, Анна Владимировна

Выводы по главе 4

1. Проведен анализ сферы энергопотребления. В результате проводимых реформ энергосбытовые компании переходят на рыночные отношения. В складывающихся обстоятельствах от точности полученного прогноза напрямую зависит экономическая выгода или потери денежных средств компаний.

2. Проведен анализ временного ряда энергопотребления. На основании выявленных закономерностей целесообразным явилось разбиение общего временного ряда на два: для будних и выходных дней соответственно, и построение прогноза на основании данных о потреблении электроэнергии за предыдущую недели.

3. Разработанный гибридный алгоритм прогнозирования был протестирован на данных, отражающих энергопотребление в двух регионах: Костромская область и г. Кострома и г. Иваново.

4. Для оценки точности прогнозирования оценивались два параметра: относительная ошибка прогноза и средняя абсолютная ошибка прогноза.

5. По Костромской области и г. Кострома были получены следующие результаты: среднее значение абсолютной ошибки составляет 1.985%, что является высоким результатом для прогнозной модели данной предметной области; показатель относительной ошибки прогнозирования превышает допустимое 5%-ное значение лишь в 30% случаях и только для так называемых «проблемных» месяцев, при этом в 2%-ный интервал отклонения в среднем попадает около 50% полученных прогнозных значений.

6. По г. Иваново для системы в целом определены следующие показатели: среднее значение абсолютной ошибки равно 2.388% для будней и 3.196% для выходных. Допустимый 5%-ный интервал отклонения превышен лишь в 5% случаях, а в 2%-ный интервал в среднем попадает более 50% полученных прогнозных значений.

7. Проведенный сравнительный анализ разработанного гибридного алгоритма с существующими на сегодняшний день методами построения прогноза показал повышение точности получаемых значений.

8. В качестве перспективных направлений применения и развития гибридного алгоритма указано его использование в образовательном процессе, а так же возможность распространения на другие предметные области, например, прогнозирование возникновения лесных пожаров.

ЗАКЛЮЧЕНИЕ

1. Проведен анализ существующих на сегодняшний день методов построения прогноза. Выявлены основные закономерности при построении прогноза и наиболее перспективные направления улучшения его качества;

2. По результатам проведенного анализа выделены три базовых метода построения прогноза: фильтр Винера, нейронная сеть и эволюционное моделирование и реализован алгоритм решения задачи прогнозирования.

3. Разработан и реализован гибридный метод расчета прогнозных значений на основе вышеуказанных подходов.

4. Разработана методика оптимизации вычислительного процесса, позволившая повысить точность решения задачи гибридным методом по показателю индекса Тейла в среднем на 0,01.

5. Разработана стратегия распараллеливания для решения поставленной задачи с учетом предложенной методики оптимизации на суперкомпьютере с графическими ускорителями, позволившая сократить временные затраты в несколько раз.

6. Разработан программный комплекс для использования разработанных методов решения задачи прогнозирования.

7. Выполнено исследование разработанной системы на примере прогнозирования показателя потребления электроэнергии. Точность прогнозирования в среднем составила 2,1%.

Поставленные задачи диссертационного исследования успешно решены и цель достигнута.

Разработанная методика прогнозирования может быть использована для временных рядов показателей из предметных областей, отличающихся наличием периодической составляющей в характере поведения.

Список литературы диссертационного исследования кандидат технических наук Евсеева, Анна Владимировна, 2011 год

1. Авдеева, Н.Л. О прогнозах потребления электроэнергии в условиях рыночной экономики России / H.J1. Авдеева, Ю.М. Коган, А.Е. Романов // Энергетик. 2003. - Вып. 7. - С. 11-12.

2. Айвазян, С.А. Стратегии бизнеса: аналитический справочник / С.А. Айвазян, О.Я. Балкинд, Т.Д. Баснина и др. М.: КОНСЭКО, 1998.

3. Айфичер, Э. Цифровая обработка сигналов: практический подход пер. с англ. / Э. Айфичер, Б. Джервис. М.: Издательский дом «Вильяме», 2004. - 2-е изд.

4. Афанасьев, В.Н. Анализ временных рядов и прогнозирование : учеб. пособие / В.Н. Афанасьев, М.М. Юзбашев. М.: Финансы и статистика, 2001.

5. Багиев, Г.Л. Маркетинг-статистика : учеб. пособие / Г.Л. Багиев, Е.Л. Богданова. СПб.: С.-Петерб. ун-т экономики и финансов, 1999.

6. Балакришнан, А. Теория фильтрации Калмана пер. с англ. / А. Балакришнан. М.: Мир, 1988.

7. Барановский, Н.В. Информационно-прогностическая система определения вероятности возникновения лесных пожаров / Н.В. Барановский, A.M. Гришин, Т.П. Лоскутникова // Вычислительные технологии . 2003. - Т.8. - № 2. - С. 16-26.

8. Барановский, Н.В. Ландшафтное распараллеливание и прогноз лесной пожарной опасности / Н.В. Барановский // Сибирский журнал вычислительной математики. 2007. - Т.10. - № 2. - С. 141-152.

9. Барановский, Н.В. Основные принципы параллельной реализации общей математической модели лесных пожаров / Н.В. Барановский // Пожарная безопасность. -2008. -№1. С. 296-301.

10. Бахвалов, Н.С. Численные методы / Н.С. Бахвалов, Н.П. Жидков, Г.М. Кобельков. М.: БИНОМ. Лаборатория знаний, 2004.

11. Бейден, С. Риски на рынке электроэнергии и методы прогнозирования цен / С. Бейден, М. Матвеева, Д. Смирнов // ЭнергоРынок. 2004. -Вып. №4(05). - С. 22-28.

12. Беркинблит, М.Б. Нейронные сети : учеб. пособие / М.Б. Беркинблит. -М.: МИРОС и ВЗМШ РАО, 1993.

13. Бесекерский, В.А. Микропроцессорные системы автоматического управления / В.А. Бесекерский и др.; под общ. ред. В.А. Бесекерского. -Л.: Машиностроение. Ленингр. отд-ние, 1988.

14. Бессонов, В.А. Введение в анализ российской макроэкономической динамики переходного периода / В.А. Бессонов. М.: Изд-во института экономики переходного периода, 2003.

15. Бирюков, Е.В. Практическая реализация нечёткой нейронной сети при краткосрочном прогнозировании электрической нагрузки / Е.В. Бирюков, М.С. Корнев // Сборник трудов научной сессии МИФИ-2005 (Нейроинформатика-2005). М.: МИФИ, 2005. - С. 207-214.

16. Блейхут, Р. Быстрые алгоритмы цифровой обработки сигналов пер. с англ. / Р. Блейхут. М.: Мир, 1989.

17. Богнер, Р. Введение в цифровую фильтрацию пер. с англ. / Р. Богнер, А. Константинидис. М.: Мир, 1976.

18. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. М.: Мир, 1974.

19. Боресков, A.B. Основы работы с технологией CUDA. / A.B. Боресков, A.A. Харламов. М.: ДМК Пресс, 2010.

20. Боровиков, В.П. Прогнозирования в системе STATISTIC А© в среде Windows. Основы теории и интенсивная практика на компьютере : учеб. пособие / В.П. Боровиков, Г.И. Ивченко. М.: Финансы и статистика, 2000.

21. Борцов, Ю.А. Использование современных подходов и методов для прогнозирования электропотребления / Ю.А. Борцов, Н.Д. Поляхов, И.А. Приходько, Е.С. Анушина // Электротехника. 2006. - Вып. №8. -С. 30-35.

22. Браммер, К. Фильтр Калмана-Бьюси пер. с англ. / К. Браммер, Г. Зиффлинг. М.: Наука, 1982.

23. Бриллинджер, Д. Временные ряды. Обработка данных и теория пер. с англ. / Д. Бриллинджер. М.: Мир, 1980.

24. Букатова, И.Л. Эвоинформатика: Теория и практика эволюционного моделирования / И.Л. Букатова, Ю.И. Михасев, A.M. Шаров. М.: Наука, 1991.

25. Букатова, И.Л. Эволюционное моделирование и его приложения / И.Л. Букатова. М.: Наука, 1979.

26. Буслов, В.А. Численные методы II. Решение уравнений / В.А. Буслов, С.Л. Яковлев. СПб: СПбГУ, 2001.

27. Бушуева, Л.И. Методы прогнозирования объёма продаж / Л.И. Бушуева // Маркетинг в России и за рубежом. М.: Финпресс, 2002. - Вып. №1. -С. 15-30.

28. Винер, Н. Кибернетика, или управление и связь в животном и машине / Н. Винер. М.: Наука, 1983. - 2-е изд.

29. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. X.: Основа, 1997.

30. Вороновский, Г.К. Краткосрочное предсказание электропотребления для крупного жилого массива города / Г.К. Вороновский, Г.Г. Сергеенкова, С.А. Сергеев, К.В. Махотило // Proc. of Third International Scientific and

31. Technical Conference on Unconventional Electromechanical and Electrical Systems "UEES'97" (Alushta, The Crimea, Ukraine, September 19-21, 1997).1997.-C. 1073-1078.

32. Воронцов, K.B. Лекции по искусственным нейронным сетям Электронный ресурс. / K.B. Воронцов, 2007. Режим доступа: http://www.ccas.ru/voron/download/NeuralNets.pdf

33. Гаврилин, Н.П. Разработка программно-математической модели прогноза потребления энергии на основе фактических данных / Н.П. Гаврилин // Энергобезопасность и энергосбережение. 2009. - № 5. - С. 34-39.

34. Галушкин, А.И. Применение нейрокомпьютеров в энергетических системах / А.И. Галушкин. М.: Научный центр нейрокомпьютеров, 1997.

35. Гнатюк, В.И. Прогнозирование электропотребления методом анализа главных компонент (Опыт применения пакета Mathcad-2001) / В.И. Гнатюк, Д.В. Луценко, Л.И. Двойрис, Д.В. Антоненков, П.Ю. Дюндик // Электрика. 2007. - Вып. №3. - С. 41-46.

36. Годунов, С.К. Разностные схемы. Введение в теорию / С.К. Годунов, B.C. Рябенький. М.: Наука, 1977. - 2-е изд.

37. Голд, Б. Цифровая обработка сигналов пер. с англ. / Б. Голд, Ч. Рейдер. - М.: Советское радио, 1973.

38. Головко, В.А. Нейронные сети: обучение, организация и применение : учеб. пособие для вузов / В.А. Головко; под общ. ред. А.И. Галушкина. -М.: ИПРЖР, 2000.

39. Горбань, А.Н. Методы нейроинформатики Сборник научных трудов. / А.Н. Горбань. Красноярск: КГТУ, 1998.

40. Горбань, А.Н. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН,1998.

41. Городецкий, А.Я. Информационно сисетмы. Вероятностные модели к статистические решения : учеб. пособие / А.Я. Городецкий. СПб.: Изд-во СПбГПУ, 2003.

42. ГОСТ Р 22.1.09-99 "Мониторинг и прогнозирование лесных пожаров. Общие требования".

43. Грешилов, A.A. Математические методы построения прогнозов / A.A. Грешилов, В.А. Стакун, A.A. Стакун. М.: Радио и связь, 1997.

44. Гришин, A.M. Моделирование и прогноз катастроф. 4.1. / A.M. Гришин. -Томск: Изд-во ТГУ, 2003.

45. Гришин, A.M. Моделирование и прогноз экологических катастроф / А.М.Гришин // Экологические системы и приборы. 2001. - №2. -С. 12-21.

46. Гришин, A.M. Прогноз возникновения и распространения лесных пожаров / A.M. Гришин, А.И. Фильков. Кемерово: Изд-во Практика, 2005.

47. Грузмаи, И.С. Цифровая обработка изображений в информационных системах : учеб. пособие / И.С. Грузман, B.C. Киричук, В.П. Косых, Г.И. Перетягин, A.A. Спектор. Новосибирск: Изд-во НГТУ, 2000.

48. Давыдов, A.B. Цифровая обработка сигналов: Тематические лекции Электронный ресурс. / A.B. Давыдов. Екатеринбург: УГГУ, ИГиГ, кафедра геоинформатики. - 2007. - Режим доступа: http://www.prodav. narod.ru/dsp/index.html

49. Дроиов, C.B. Многомерный статистический анализ : учеб. пособие / C.B. Дронов. Изд-во Алт. гос. ун-та, 2006.

50. Дуброва, Т.А. Статистические методы прогнозирования в экономике : учеб. пособие / Т.А. Дуброва, М.Ю. Архипова. М.: МГЭСИ, 2004.

51. Евсеева, A.B. Прогнозирование энергопотребления при помощи гибридного алгоритма с применением технологии CUDA / A.B. Евсеева // Вестник ИГЭУ. 2011. - Вып. 3. - С. 47^9.

52. Евсеева, A.B. Система прогнозирования энергопотребления «PowerSystemLoadForecasting» / A.B. Евсеева // Свидетельство об официальной регистрации программы для ЭВМ № 2011616154. Зарегестрировано в Реестре программ для ЭВМ 05.08.2011.

53. Евсеева, A.B. Разработка гибридного метода прогнозирования потребления электроэнергии с использованием суперкомпьютера /

54. A.B. Евсеева, Ф.Н. Ясинский // Сборник трудов V Международной научно-практической конференции «Пожарная и аварийная безопасность». -Иваново, 2010. 4.2. - С. 171-172.

55. Емельянов, В.В. Теория и практика эволюционного моделирования /

56. B.В. Емельянов, В.В. Курейчик, В.М. Курейчик. М.: ФИЗМАТЛИТ, 2003.

57. Ермолаев, В.Т. Современные методы пространственной обработки сигналов в информационных системах с антенными решётками : учеб. пособие / В.Т. Ермолаев, А.Г. Флаксман. Н.Новгород: Изд-во НГТУ, 2008.

58. Жарикова, M.B. Концепция системы поддержки принятия решений при ликвидации лесных пожаров / М.В. Жарикова, E.H. Ляшенко,

59. A.M. Тертерян // Вестник ХНТУ. 2008. - №1(30). - С.141-145.

60. Жданко, В.А. Метод анализа лесопожарных сезонов: Практические рекомендации / В.А. Жданко, М.В. Гриценко. Л.: ЛНИИЛХ, 1980.

61. Заенцев, И.В. Нейронные сети: основные модели : учеб. пособие / И.В. Заенцев. Воронеж: Изд-во ВГУ, 1999.

62. Зверев, В.А. Выделение сигналов из помех численными методами /

63. B.А. Зверев, A.A. Стромков. Н.Новгород: НПФ РАН, 2001.

64. Зуев, В.Н. Применение нейронных сетей для краткосрочного прогнозирования электропотребления / В.Н. Зуев, В.Ф. Комиссарчик, А.Н. Киселев // Программные продукты и системы. 2009. - Вып. №1.1. C. 147-149.

65. Иванов, A.A. Формирования стратегии энергосбытовой компании по покупке электроэнергии на оптовом рынке электроэнергии (мощности) / A.A. Иванов // Региональные проблемы преобразования экономики. 2008. -Вып. 3.

66. Калитин, Д.В. Использование технологии CUDA фирмы NVidia для САПР нейронных сетей Электронный ресурс. / Д.В. Калитин // Устойчивое инновационное развитие: проектирование и управление. 2009. - Т. 4. -Режим доступа: http://www.rypravlenie.ru

67. Калиткин, H.H. Численные методы / H.H. Калиткин. М.: Наука, 1978.

68. Кловский, Д.Д. Обработка пространственно-временных сигналов (в каналах передачи информации) / Д.Д. Кловский, В.А. Сойфер. М.: Связь, 1976.

69. Кузнецов, Г.В. Прогноз возникновения лесных пожаров и их экологических последствий / Г.В. Кузнецов, Н.В. Барановский. -Новосибирск: Изд-во СО РАН, 2009.

70. Кулик, В. Гидрологический прогноз лесных пожаров и их предотвращение / В. Кулик, С.А. Лобанов // Экологическии вестник Приморья. 2002.

71. Курбатский, Н.П. Национальная система расчета пожарной опасности США. / Н.П. Курбатский, Т.В. Костырина // Сб. «Обнаружение и анализ лесных пожаров». Красноярск: ИлиД СО АН СССР, 1977. - С. 38-90.

72. Курейчик, В.М. Эволюционные алгоритмы: генетическое программирование. Обзор / В.М. Курейчик, С.И. Родзин // Известия РАН. -ТиСУ, 2002. Вып. №1. - С. 127-137.

73. Курейчик, В.М. Эволюционные вычисления: генетическое и эволюционное программирование / В.М. Курейчик, С.И. Родзин // Новости Искусственного Интеллекта. М.: Издательство "Анахарсис", 2003. -Вып. №5(59).

74. Линник, Ю.В. Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений / Ю.В. Линник. М., 1962. -2-е изд.

75. Лоусон, Ч. Численное решение задач метода наименьших квадратов пер. с англ. / Ч. Лоусон, Р. Хенсон. М.: Наука. Гл. ред. физ.-мат. лит., 1986.

76. Лэм, Г. Аналоговые и цифровые фильтры. Расчет и реализация пер. с англ. / Г. Лэм. М.: Мир, 1982.

77. Лященко, E.H. Анализ пожарной опасности сосновых насаждений в зоне нижнеднепровских песков самой большой пустыни в Европе / E.H. Лященко // ААЭКС. - Херсон: ХНТУ, 2009. - №2(24). - С.94-98.

78. Магурин, В.Г. Когерентная оптика : учеб. пособие / В.Г. Магурин, В.А. Тарлыков. СПб: СПбГУ ИТМО, 2006.

79. Макоклюев, Б.И. Методы и средства анализа и планирования электропотребления энергообъединений и энергосистем : Дис. д-ра техн. наук : 05.14.02. Москва, 2005. - 295 с. - РГБ ОД, 71:06-5/173.

80. Марчук, Г.И. Методы вычислительной математики / Г.И. Марчук. М.: Наука, 1977.

81. Методика прогнозирования графиков электропотребления для технологий краткосрочного планирования Электронный ресурс. / ОАО "СО ЕЭС". -Режим доступа: http://www.so-ups.ru/fileadmin/files/laws/market regulations/ schedules.pdf

82. Мудров, А.Е. Численные методы для ПЭВМ на языках Бейсик, Фортран и Паскаль / А.Е. Мудров. Томск: МП "РАСКО", 1991.

83. Научная сессия МИФИ-2004 // VI всероссийская научно-техническая конференция «Нейроинформатика-2004» : Лекции по нейроинформатике. 4.1. -М.: МИФИ, 2004.

84. Нестеров, В.Г. Горимость леса и методы ее определения / В.Г. Нестеров. -М.; Л.: Гослесбумиздат, 1949.

85. Никологорская, A.B. Временные ряды. Их анализ и прогнозирование : учеб. пособие / A.B. Никологорская, Ф.Н. Ясинский. Иваново: ГОУВПО «Ивановский государственный энергетический университет имени В.И. Ленина», 2010. - 72 с.

86. Орлов, А.И. Статистические методы прогнозирования. В кн.: Малая российская энциклопедия прогностики / А.И. Орлов. - М.: Институт экономических стратегий, 2007. - С.148-153.

87. Орлов, А.И. Эконометрика / А.И. Орлов. М.: Изд-во "Экзамен", 2002.

88. Отнес, Р. Прикладной анализ временных рядов. Основные методы пер. с англ. / Р. Отнес, Л. Эноксон. М.: Мир, 1982.

89. Пантелеев, A.B. Методы оптимизации в примерах и задачах : учеб. пособие / A.B. Пантелеев, Т.А. Летова. М.: Высш. шк., 2005. - 2-е изд.

90. Панфилов, П. Нейросетевые прогнозы в техническом анализе / П. Панфилов // Современный трейдинг. М.: ООО "Современный трейдинг", 2001. - Вып. №3. - С.24-28.

91. Парамонов, A.B. Модель стохастического процесса лесопожарных ситуаций / A.B. Парамонов, П.Н. Марков // Материалы XVI международной конференции "Математика. Компьютер. Образование" (Пущино, 19-24 января 2009 г.). М.: 2009.

92. Пауков, Д.П. Прогнозирование с помощью искусственных нейронных сетей Электронный ресурс. / Д.П. Пауков. 2006. - Режим доступа: http ://masters. donntu .edu.ua/2006/kita/kiryanyiibrary/art06 .htm

93. Пономарев, Е.И. Комплексная оценка пожарной опасности и прогнозирование энергетических параметров лесных пожаров с использованием геоинформационных баз данных / Е.И. Пономарев,

94. A.И. Сухинин // Вычислительные технологии. 2000. - Т.5.

95. Предпосылки и суть реформы Электронный ресурс. Режим доступа: http://www.rao-ees.ru/ru/reforming/reason/show.cgi7content.htm

96. Прогноз потребления электроэнергии Электронный ресурс. Режим доступа: http://www.basegroup.ru/solutions/case/electra/

97. Растригин, JI. А. Адаптация сложных систем / J1.A. Растригин. Рига: Зинатне, 1981.

98. Ревункова, Е.Г. Алгоритмы построения экспертных систем на нейронных сетях / Е.Г. Ревункова // Интеллектуальные технологии и системы. М.: МГУП, 1999.-Вып. 2.-С. 198-218.

99. Розенберг, Г.С. Экологическое прогнозирование (Функциональные предикторы временных рядов) / Г.С. Розенберг, В.К. Шитиков, П.М. Брусиловский. Тольятти: ИЭВБ РАН, 1994.

100. Савельева, Е.А. Пример прогноза потребления электроэнергии при экстремальных погодных условиях / Е.А. Савельева, М.Ф. Каневский, А.С. Кравецкий // Проблемы Энергосбережения. 2002. - Вып. №9. -С. 10-12.

101. Садовникова, Н.А. Анализ временных рядов и прогнозирование : учеб. пособие / Н.А. Садовникова, Р.А. Шмойлова. М.: Московкий гоударственный университет экономики, статистики и информатики, 2001.

102. Самарский, А.А. Численные методы : учеб. пособие / А.А. Самарский, А.В. Гулин. -М.: Наука, 1989.

103. Сергиенко, А.Б. Цифровая обработка сигналов / А.Б. Сергиенко. СПб.: Питер, 2002.

104. Сидоров, С.Г. Анализ временных рядов как метод построения прогноза потребления электроэнергии / С.Г. Сидоров, А.В. Никологорская // Вестник ИГЭУ. 2010. - Вып.З. - С. 81-83.

105. Ш.Староверов, Б. А. Комплексное применение нейронных сетей для автоматизации прогнозирования электропотребления на региональном уровне / Б.А. Староверов, М.А. Мормылёв // Вестник ИГЭУ. 2009-Вып. №4. - Иваново, 2009. - С. 78-81.

106. Стратегии бизнеса: аналитический справочник / под общей ред. Г.Б. Клейнера. М.: КОНСЭКО, 1998.

107. Суслов, В.И. Эконометрия / В.И. Суслов, Н.М. Ибрагимов, Л.П. Талышева, А.А. Цыплаков. Новосибирск: СО РАН, 2005.

108. Уоссермен, Ф. Нейрокомпьютерная техника / Ф. Уоссермен. М.: Мир, 1992.

109. Фогель, JI. Искусственный интеллект и эволюционное моделирование / Л. Фогель, А. Оуэне, М. Уолш. М.: Мир, 1969.

110. Пб.Хайкин, С. Нейронные сети: полный курс / С. Хайкин. М.: ООО "И.Д. Вильяме", 2006. - 2-е изд.

111. Хемминг, Р.В. Цифровые фильтры пер. с англ. / Р.В. Хемминг. М. Советское радио, 1980.

112. Херреро, Д. Синтез фильтров пер. с англ. / Д. Херреро, Г. Уиллонер. -М.: Советское радио, 1971.

113. Ходаков, В.Е. Применение аппарата математической логики для моделирования распространения лесного пожара / В.Е. Ходаков, М.В. Граб // УкрПрог (Киев, 1-3 июня 2004 г.), Украина. 2004.

114. Четвериков, C.B. Нейронные сети и их устройство / C.B. Четвериков. -Иркутск: 1998.

115. Четыркин, Е.М. Статистические методы прогнозирования / Е.М. Четыркин. М.: Статистика, 1977. - 2-е изд.

116. Чучуева, И.А. Модель экстраполяции временных рядов по выборке максимального подобия / И.А. Чучуева // Информационные технологии. -М.: Новые технологии, 2010. Вып. №12. - С. 43-47.

117. Чучуева, И.А. Сезонно-регрессионная модель прогнозирования в решении задачи прогнозирования цен PCB (рынок на сутки вперед) / И.А. Чучуева, Ю.Е. Павлов // Информационно-аналитический журнал «Энерго-Info». -2009. Вып. №4(27). - С. 46^9.

118. Шеннон, К. Работы по теории информации и кибернетике / К. Шеннон. -М.: Изд-во иностранной литературы, 1963.

119. Ясинский, Ф.Н. Построение гибридного метода прогнозирования энергопотребления с использованием суперкомпьютера на графических ускорителях / Ф.Н. Ясинский, А.В. Никологорская // Вестник ИГЭУ. -2010.-Вып. 4.-С. 89-91.

120. Badran, I. Short-term and medium-term load forecasting for Jordan's power system / I. Badran, H. El-Zayyat, G. Halasa // American Journal of Applied Sciences. Science Publications, 2008. - Vol.5, Issue 7. - P. 763-768.

121. Bigus, J.P. Data mining with neural networks: solving business problems from application development to decision support / J.P. Bigus. - New York: McGraw-Hill, 1996.

122. Davis, L.D. Evolutionary algorithms / L.D. Davis, K. De Jong, M.D. Vose, L.D. Whitley // The IMA Volumes in Mathematics and its Applications. New York: Springer, 1999. - Vol. 111.

123. Deeming, J.E. The National Fire-Danger Rating System / J.E. Deeming, G.W. Lancaster, M.A. Fosberg a.o. N.Y.; London; Toronto; USDA: Forest Service, 1972.

124. Emanuel, W.R. Climate change and the broad-scale distribution of terrestrial ecosystem complexes / W.R. Emanuel, H.H. Shugart, M.P. Stevenson // Climatic Change, 1985. №7. - P. 29^13.

125. Flaimigan, M.D. Climate change and wildfire in Canada / M.D. Flannigan, C.E. Van Wagner // Canadian journal of Forest Research. 1991. - №21(1). -P. 66-72.

126. Freeman, J.A. Neural networks : algorithms, applications, and programming techniques / J.A. Freeman, D.M. Skapura. Redwood City (CA): Addison Wesley Longman Publishing Co, 1991.

127. Freidman, M. Introduction to pattern recognition : statistical, structural, neural, and fuzzy logic approaches / M. Freidman, A. Kandel. Signapore: World Scientific, 1999.

128. Garcia, R. A GARCH forecasting model to predict day-ahead electricity prices / R. Garcia, J.Contreras, M. van Akkeren, J.Garcia // IEEE Transactions on Power Systems. 2005. - Vol. 20, no. 2. - P. 867-874.

129. Gupta, M.M. Static and dynamic neural networks : from fundamentals to advanced theory / M.M. Gupta, L. Jin, N. Homma. New York: J. Wiley and Sons, 2003.

130. Haykin, S. Kalman filtering and neural networks / S. Haykin. New York: J. Wiley and Sons, 2001.

131. Loi, L.L. Intelligent system applications in power engineering : evolutionary programming and neural networks / L.L. Loi. New York: J. Wiley and Sons, 1998.

132. Makridakis, S. Forecasting: methods and applications / S. Makridakis, S. Wheelwright, R. Hyndman. New York: J. Wiley & Sons, 1998.

133. NVIDIA GPU Computing Developer Электронный ресурс. Режим доступа: http://developer.nvidia.com/object/gpucomputing.html.

134. Stocks, B.J. Canadian Forest Fire Danger Rating System / B.J. Stocks, M.E. Alexander, R.S. Mc.Alpine a.o. // Canadian Forestry service. 1987.

135. Yang, M. Sc. Jingfei Power System Short-term Load Forecasting / M. Sc. Jingfei Yang. Elektrotechnik und Informationstechnik der Technischen Universitet Darmstadt, 2006.

136. Zaknich, A. Principles of adaptive filters and self-learning systems / A. Zaknich. London: Springer, 2005.

137. Фрагменты исходных кодов программ. Фрагмент файла "matrixMul.cu"include "matrixMul.h" ♦include "kernelwrapper.h"namespace cuda {

138. AS(ty, tx) = Aa + wA * ty + tx. ; else AS(ty, tx) = (T)0; if (bPos < bSize)

139. Фрагмент файла "epsilon.cu"include ♦include "cuda/transform.h" #include "cuda/reduce.h" ♦include "cuda/dynmemory.h"template

140. T calcepsilonDevice(T *real, T *predict, int predictpoints) {

141. T s2 = cuda::transformReduceDevice(real, predictpoints, cuda::square(), cuda::summa());

142. T s3 = cuda::transformReduceDevice(predict, predictpoints, cuda::square(), cuda::summa());

143. T *tmp = (T*)cuda::devicealloc(predictpoints * sizeof(T));cuda::transformDevice(real, predict, tmp, predictpoints, cuda::difference());