Применение методов нечеткой логики и машинного обучения для анализа промышленного электропотребления в условиях неопределенности

Аннотация

Введение. В последнее время использование нечеткой логики широко реализуется при решении различных задач экономических исследований, включая теоретический анализ развития ресурсной зависимости экономики, изучение инновационных процессов в экономике ресурсного типа.

Цель. Анализ зависимости промышленного электропотребления от различных социально-экономических факторов методом нечеткого моделирования. Этот метод особенно хорошо подходит для моделирования плохо определенных систем, в которых существует значительная неопределенность относительно природы и диапазона ключевых входных переменных и основных взаимосвязей между ними. Такой системой является экономика России в период наложенных на нее санкций со стороны недружественных государств.

Материалы и методы. В работе применялись методы нечеткого моделирования и машинного обучения. Для отбора предикторов и для сравнительного анализа использовался алгоритм случайного леса.

Результаты. Результаты нечеткого моделирования сравнивались с результатами, полученными при моделировании анализируемой зависимости с помощью множественной регрессии и при применении метода случайного леса, использующего регрессионные деревья решений к исследуемым данным. Показано, что моделирование исследуемой зависимости посредством нечеткой модели в условиях неопределенности является более адекватным по сравнению с моделированием анализируемой зависимости с помощью регрессионных методов (включая метод случайного леса).

Выводы. Разработанная нечеткая система (система нечеткого логического вывода) может использоваться для исследования влияния изменения любого входного фактора или комбинации факторов на изменение промышленного электропотребления. С помощью нечеткой системы можно выяснить, насколько изменится промышленное электропотребление при размещении производственных мощностей в определенных регионах, или проанализировать целесообразность такого размещения, связанного с наличием трудовых ресурсов. Можно также исследовать изменение промышленного электропотребления при изменении численности занятых, связанном с оттоком трудовых ресурсов.

Ключевые слова: нечеткая логика, нейро-нечеткий вывод, электропотребление, метод случайного леса, машинное обучение, множественная регрессия

Для цитирования

Серков Л. А. Применение методов нечеткой логики и машинного обучения для анализа промышленного электропотребления в условиях неопределенности // Вестник Пермского университета. Серия «Экономика». 2024. Т. 19, № 1. С. 52–68. DOI 10.17072/1994-9960-2024-1-52-68. EDN BTNLUG.

СПИСОК ИСТОЧНИКОВ

1. Zhaoying O. Construction and Application of Economic Management Fuzzy Decision Model Based on Fuzzy Relevance Method // Journal of Mathematics. 2022. Vol. 2022. Article ID 9878815. 11 p. DOI 10.1155/2022/9878815
2. Jang J.-S. R. ANFIS: adaptive-network-based fuzzy inference system // IEEE Transactions on Systems, Man and Cybernetics. 1993. Vol. 23, iss. 3. P. 665–685. DOI 10.1109/21.256541
3. Abraham A. Adaptation of Fuzzy Inference System Using Neural Learning // Nedjah N., Macedo Mourelle L. (eds) Fuzzy Systems Engineering. Studies in Fuzziness and Soft Computing. Vol. 181. Berlin: Springer, 2005. P. 53–83. DOI 10.1007/11339366_3
4. Giles D. E. A. Output Convergence and International Trade: Time-Series and Fuzzy Clustering Evidence for New Zealand and her Trading Partners, 1950 – 1992 // Journal of International Trade and Economic Development. 2005. Vol. 14, iss. 1. P. 93–114. DOI 10.1080/0963819042000333261
5. Лебедева М. Нечеткая логика в экономике – формирование нового направления // Идеи и идеалы. 2019. Т. 11, № 1-1. С. 197–212. DOI 10.17212/2075-0862-2019-11.1.1-197-212. EDN ZCWNFJ
6. Giles E. A., Draeseke R. Econometric Modeling Based on Pattern Recognition via the Fuzzy C-Means Clustering Algorithm. Working Paper EWP0101 // Department of Economics, University of Victoria. 2001. 50 p. URL: https://www.uvic.ca/socialsciences/economics/_assets/docs/econometrics/ewp0101.pdf (дата обращения: 20.01.2023).
7. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Transactions on Systems, Man, and Cybernetics. 1985. Vol. SMC-15, no. 1. P. 116–132. DOI 10.1109/TSMC.1985.6313399
8. Xiao Y., Liu J. J., Hu Y., Wang Y., Lai K. K., Wang S. A neuro-fuzzy combination model based on singular spectrum analysis for air transport demand forecasting // Journal of Air Transport Management. 2014. Vol. 39. P. 1–11. DOI 10.1016/j.jairtraman.2014.03.004
9. Kumar S., Singh R., Manish K., Ashish K. Fuzzy Logic based Model to Calculate the Economic Level of any Country // International Journal of Basic Sciences and Applied Computing (IJBSAC). Vol. 1, iss. 12. P. 6–12. URL: https://www.ijbsac.org/wp-content/uploads/papers/v1i12/L00570311216.pdf (дата обращения: 20.01.2023).
10. Петров М. Б., Серков Л. А., Кожов К. Б. Оценка способов энергообеспечения полуострова Ямал на основе нечеткого многокритериального анализа // Экономика региона. 2022. Т. 18, № 4. С. 1209–1222. DOI 10.17059/ekon.reg.2022-4-17. EDN BAVQIV
11. Shipley M., Johnson M., Pointer L., Yankov N. A fuzzy attractiveness of market entry (FAME) model for market selection decisions // Journal of the Operational Research Society. 2013. Vol. 64, iss. 4. P. 597–610. DOI 10.1057/jors.2012.59
12. Neocleous C. K., Schizas C. N., Papaioannou M. C. Fuzzy cognitive maps in estimating the repercussions of oil/gas exploration on politico-economic issues in Cyprus // 2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2011). Taipei, Taiwan, 2011. P. 1119–1126. DOI 10.1109/FUZZY.2011.6007655
13. Cummins J. D., Derring R. A. Fuzzy trends in property-liability insurance claim costs // The Journal of Risk and Insurance. 1993. Vol. 60, no. 3. P. 429–465. DOI 10.2307/253037
14. Целых А. Н., Целых Л. А., Причина О. С. Методы нечеткой логики в управлении производственными процессами // Известия ЮФУ. Технические науки. 2014. № 1 (150). С. 111–119. EDN RTZMYH
15. Alaqeel T., Suryanarayanan S. A fuzzy Analytic Hierarchy Process algorithm to prioritize Smart Grid technologies for the Saudi electricity infrastructure // Sustainable Energy, Grids and Networks. 2018. Vol. 13. P. 122–133. DOI 10.1016/j.segan.2017.12.010
16. Mahjouri M., Ishak M., Torabian A., Manaf L., Halimoon N., Ghoddusi J. Optimal selection of Iron and Steel wastewater treatment technology using integrated multi-criteria decision-making techniques and fuzzy logic // Process Safety and Environmental Protection. 2017. Vol. 107. P. 54–68. DOI 10.1016/j.psep.2017.01.016
17. Zimmer K., Fröhling M., Breun P., Schultmann F. Assessing social risks of global supply chains: A quantitative analytical approach and its application to supplier selection in the German automotive industry // Journal of Cleaner Production. 2017. Vol. 149. P. 96–109. DOI 10.1016/j.jclepro.2017.02.041
18. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях // Вопросы анализа и процедуры принятия решений. М.: Мир, 1976. С. 172–215.
19. Леоненков А. Нечеткое моделирование в среде Matlab и fuzzyTECH. СПб.: БХВ-Петербург, 2005. 719 с.
20. Breiman L. Random forest // Machine Learning. 2001. Vol. 45. P. 5–32. DOI 10.1023/A:1010933404324
21. Svetnik V., Liaw A., Tong C., Culberson J. C., Sheridan R. P., Feuston B. P. Random forest: A classification and regression tool for compound classification and QSAR modeling // Journal of Chemical Information and Computer Sciences. 2003. Vol. 43, iss. 6. P. 1947–1958. DOI 10.1021/ci034160g
22. Петров М. Б., Серков Л. А., Кожов К. Б. Анализ пространственных особенностей регионального электропотребления в РФ // Прикладная эконометрика. 2021. № 1 (61). С. 5–27. DOI 10.22394/1993-7601-2021-61-5-27. EDN PGLLIM
23. Chiu S. Fuzzy Model Identification Based on Cluster Estimation // Journal of Intelligent and Fuzzy Systems. 1994. Vol. 2, iss. 3. P. 267–278. DOI 10.3233/IFS-1994-2306

Показать весь текст