Разработка и создание программного модуля с интерфейсом для тестирования различных вариантов архитектурных решений искусственных нейросетей и подбора оптимальных параметров для них в режиме обучения и валидации прогноза временных рядов модельных данных. Осуществление процедур сопряжения, обучения и валидации нейросетевых комплексов с различными архитектурными решениями и с различными параметрами для создания подсистемы прогнозирования управляющих параметров интеллектуальной самообучающейся системы на различных моделях временных рядов с использованием разработанного программного модуля тестирования ИНС. Создание программного модуля подсистемы прогнозирования управляющих параметров интеллектуальной самообучающейся системы прогнозирования оптимальных цен. Определение оптимальных параметров работы подсистемы прогнозирования при тестировании на модельном массиве управляющих параметров . Апробация подсистемы прогнозирования управляющих параметров на реальном массиве данных временных рядов управляющих параметров системы. Уточнение алгоритмов системы в случае низкой эффективности работы в реальных рыночных условиях Разработка оболочки ( фронт-энд разработка ) подсистемы прогнозирования.

В отчете представлены результаты выполнения работ по 1 этапу проекта «Интеллектуальная самообучающаяся система прогнозирования оптимальной цены реализации товара в условиях постоянно меняющегося высоко-конкурентного рынка», выполняемого в рамках федерального проекта «Искусственный интеллект» национальной программы «Цифровая экономика Российской Федерации». Общей целью данной работы является создание программного обеспечения для функционирования интеллектуальной системы прогнозирования оптимальной цены, которую может использовать предприятие, занятое в сфере торговли для получения наибольшей прибыли на заданном временном горизонте в процессе реализации своих товаров на свободном, высококонкурентном рынке ( Маркетплейс ) с учетом огромного количества непредсказуемых, стохастических, не поддающихся детерминированному описанию, влияющих на процесс продаж факторов. На данном этапе выполнены следующие работы: Разработка и создание программного модуля с интерфейсом для тестирования различных вариантов архитектурных решений искусственных нейросетей (ИНС) и подбора оптимальных параметров для них в режиме обучения и валидации прогноза временных рядов модельных данных. С помощью разработанного модуля :а) задаются основные параметры архитектуры ИНС, а также параметры обучения, валидации и прогноза; б) производится числовой индикаторный контроль, а так же – цветовая индикация- основных параметров работы ИНС; в) производится визуализация в виде графиков ( в динамике -для разных этапов процесса обучения ) основных параметров прогнозируемых временных рядов. Осуществление процедур сопряжения, обучения и валидации нейросетевых комплексов с различными архитектурными решениями и с различными параметрами для создания подсистемы прогнозирования управляющих параметров интеллектуальной самообучающейся системы на различных моделях временных рядов с использованием разработанного программного модуля тестирования ИНС. По результатам тестирования функциональности нейросетевых комплексов для разрабатываемой подсистемы прогнозирования была выбрана архитектура комплекса многослойный персептрон - MultiLayer Perseptron (MLP), позволяющая достигать достаточной точности в обучении и прогнозировании за гораздо более короткое время, чем более сложные комплексы. С помощью разработанного в архитектуре MLP на языке Python программного модуля искусственной нейронной сети (ИНС) выполнено прогнозирование значений смоделированного временного ряда, построенного по аналогии с временными рядами ежесуточного количества покупок товаров на маркетплейсе. Произведено определение оптимальных параметров работы подсистемы прогнозирования при тестировании на модельном массиве управляющих параметров. Выполнено сравнение полученного прогноза с результатом работы стандартной модели прогнозирования временных рядов - интегрированной модели авторегрессии – скользящего среднего - ARIMA, реализация которой взята из стандартной библиотеки python. С данными параметрами проведены успешные тесты на натурных данных – временных рядов длиной в 497 единиц (1,5 года) ежесуточных наблюдений за количеством среднесуточных продаж и среднесуточной цены реализации одного из товаров спортивного ассортимента коммерческой компанией на маркетплейсе Wildberries. Тесты заключались в сравнении результатов прогноза ИНС на участке валидации, который был недоступен для обучения ИНС с реальными данными. Результаты показали достижение хороших показателей точности. Так же проводились попытки улучшить быстроту и качество процесса обучения ИНС, которые не привели к существенными улучшениям. Разработана Фронт-энд оболочка для программного модуля подсистемы прогнозирования Системы. Подсистема прогнозирования параметра состояния торгового процесса- количества ежесуточных продаж - на базе выбранной архитектуры и параметров ИНС демонстрирует положительные результаты прогнозирования на отрезке порядка 10% от длины обучающего ряда, позволяет получить быструю сходимость на участке обучения (быстрое уменьшение ошибки обучения), однако, для получения сходимости ( уменьшения ошибки ) на участке валидации, т.е. участка временных рядов, данные которого скрыты от нейросети при обучении, требуются более существенные затраты вычислительного времени.