Porównanie trafności prognoz sztucznych sieci neuronowych MLP z jedną i dwoma warstwami ukrytymi na przykładzie prognoz wyników finansowych przedsiębiorstw budowlanych

• Autorzy: Anysz H.

Warianty tytułu

EN

Comparison of prognostic accuracy of artificial neural networks MLP with one or two hidden layers basing on projecting the total sales achieved by Polish building companies with a main statistic data of Polish economy as an input data

• Języki publikacji: PL

Abstrakty

PL

W artykule zamieszczono porównanie trafności prognoz obliczonych za pomocą sztucznych sieci neuronowych MLP z algorytmem wstecznej propagacji błędu. Stworzono trzy pary sieci z jednakową liczbą neuronów w każdej z par. Sieci z jednej pary różniły się budową. W jednej z nich jest jedna warstwa ukryta, w drugiej dwie warstwy ukryte neuronów. Prognozowaną wartością jest sprzedaż produkcji budowlano montażowej w danym miesiącu, 3 miesiące naprzód. Danymi wejściowymi są podstawowe wskaźniki ekonomiczne polskiej gospodarki – w tym sektora budownictwa – uzyskane z publikacji GUS, z kolejnych 123 miesięcy od stycznia 2003 r. do marca 2013 r. Obliczeń dokonano wykorzystując program komputerowy autorstwa Angshruman Saha. Parametrem różniącym pary sieci była ilość neuronów w warstwach ukrytych (6, 12, 18). Dla każdej z sieci wykonano następującą sekwencję obliczeń: uczenie sieci, prognoza dla 6 próbek walidacyjnych, obliczenie błędów prognozowania dla każdej z próbek. Zestawienie wyników pokazało, iż w każdej z par średni błąd prognozowania był niższy dla prognozy obliczonej za pomocą sieci z dwoma warstwami ukrytymi. Maksymalna poprawa dokładności prognoz to zmniejszenie błędu z 9,42 % na 5,80 % w stosunku do rzeczywistej wielkości prognozowanego parametru. Uzasadnionym jest więc wniosek, iż umieszczając tą samą liczbę neuronów w warstwach ukrytych dokładniejsze prognozy uzyskuje się budując dwie warstwy ukryte zamiast jednej.

EN

The paper compares prognostic accuracy of artificial neural networks MLP with error back propagation algorithm. Three pairs of neural networks were created with equal number of neurons in hidden layers within a given pair. One neural network had one hidden layer, the second one had it two. The total sales of Polish building companies in a given month in three months time was a projected value. Input data were based on publications issued by Main Office of Statistics (GUS) and comprised the main statistic data of Polish economy from Jan, 2003 to March, 2013. Anghsruman Saha is an author of freeware software used for calculations. The pairs of neural networks had 6, 12 or 18 neurons in hidden layer or layers. For each of 6 neural network, teaching and evaluating process has been executed. Using each neural network projections has been done for the same set of input data. It has occurred that artificial neural networks MLP with two hidden layers give more accurate projections than neural networks with the same number of neurons placed in one only hidden layer. Maximum lowering the relative average error (in relation to the real value being projected) was from 9,42 % to 5,80 %. Lowering the relative average error has been observed for each pair of networks if the two hidden layers architecture was applied.

Słowa kluczowe

PL

sztuczne sieci neuronowe; prognozy wyników finansowych; przedsiębiorstwo budowlane

EN

artificial neural network; economic projections; construction company

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 3
• Strony: 87--94
• Opis fizyczny: Bibliogr. 16 poz., rys., tab., pełen tekst na CD

Twórcy

autor

Anysz H.

• Politechnika Warszawska, Wydział Inżynierii Lądowej, Instytut Inżynierii Budowlanej, Zespół Inżynierii Produkcji i Zarządzania w Budownictwie

Bibliografia

• 1. Biuletyn Statystyczny 01 2003 do 12 2003 ZKS (GUS) 2003
• 2. Biuletyn Statystyczny 01 2004 do 12 2004 ZKS (GUS) 2004
• 3. Biuletyn Statystyczny 01 2005 do 12 2005 ZKS (GUS) 2005
• 4. Biuletyn Statystyczny 01 2006 do 12 2006 ZKS (GUS) 2006
• 5. Biuletyn Statystyczny 01 2007 do 12 2007 ZKS (GUS) 2007
• 6. Biuletyn Statystyczny 01 2008 do 12 2008 ZKS (GUS) 2008
• 7. Biuletyn Statystyczny 01 2009 do 12 2009 ZKS (GUS) 2009
• 8. Biuletyn Statystyczny 01 2010 do 12 2010 ZKS (GUS) 2010
• 9. Biuletyn Statystyczny 01 2011 do 12 2011 ZKS (GUS) 2011
• 10. Biuletyn Statystyczny 01 2012 do 12 2012 ZKS (GUS) 2012
• 11. Biuletyn Statystyczny 01 2013 do 3 2013 ZKS (GUS) 2013
• 12. Anysz H., Ibadov N., Wielądek P. Analiza Możliwości prognozowania wyników finansowych przedsiębiorstw w sektorze budownictwa za pomocą sztucznych sieci neuronowych MLP. Technika Transportu Szynowego 10/2013
• 13. Program do obliczeń Sztuczną Siecią Neuronową udostępniony na internetowej stronie domowej Angshuman Saha http://web.archive.org/web/20091026214344/http://www.geocities.com/adotsaha/index.html,
• 14. Tadeusiewicz R., Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1998
• 15. Osowski S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2006
• 16. Zieliński J.S., Inteligentne systemy w zarządzaniu. Teoria i praktyka, Wydawnictwo Naukowe PWN, Warszawa 2000.