ВОЗМОЖНОСТЬ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ НАСОСНОЙ ТЕХНИКИ
Ключевые слова:
ценообразование, методы прогнозирования, нейронные сети, насосная техни-ка
Аннотация
Обоснование цены на продукцию является актуальной задачей в экономики. Методикам оцен-ки цены уделяют большое внимание. В работе предложена информационная модель прогнозирования цены на насосную технику с использованием нейронных сетей. Были выбраны основные технические характеристики насосной техники, использованные в вычислительном эксперименте. Сформиро-ванная и обученная нейронная сеть показала высокий уровень корреляции прогнозируемых и ре-альных значений цены. Таким образом, прогнозирование цен с использованием нейронных сетей яв-ляется удобным инструментом в управлении бизнес-процессами. Особенно это является актуальным на этапе разработки новой продукции, при сравнении цен на аналогичную продукцию разных произ-водителей.
Литература
1. Fathutdinov R.A. Organizaciya proizvodstva. M.:INFRA-M, 2000. 672 s.
2. Gorfinkel' V.YA., SHvander V.A. Ekonomika organizacij (predpriyatij). M.: YUNITI, 2004. 608 s.
3. Vasyuhin O.V. Osnovy cenoobrazovaniya. SPb: SPbGU ITMO, 2010. 110 s.
4. Killingsworth E.C., Wolz R.R. Requirements for business jet aircraft// AIAA-90-2038, SAE, ASME, and ASEE, 26th Joint Propulsion Conference. 1990. P.10.
5. Cejtltna T.O., Balashov V.V., Dunaevskij A.I., Smirnov A.V. Prognozirovanie ceny perspek-tivnogo sverhzvukovogo administrativnogo samoleta Trudy MFTI. 2009. Tom 1 № 3, s.160 – 170.
6. Hajkin S. Nejronnye seti: polnyj kurs. 2-e izd. M.: Izdatel'skij dom “Vil'yams”, 2006. 1104 s.
7. Xiaobing H, Xiaolian L, Yuanqian R. Enterprise credit risk evaluation based on neural net-work algorithm Cognitive Systems Research Vol. 52, December 2018, Pages 317-324.
8. Stupak A.A. Upravlenie zapasami s ispol'zovaniem nejronnyh setej «Upravlenie investiciyami i innovaciyami» 2017, №3 s.95-102.
9. Kurnikov D.S., Petrov S.A. Ispol'zovanie nejronnyh setej v ekonomike, Juvenis scien-tia(@jscientia) 2017, №6 s.10-12.
10. Pengju Z. Quantitative analysis of portfolio based on optimized BP neural network Cognitive Systems Research Vol. 52, December 2018, Pages 709-714.
11. Fedotov D.V., Semenkin Е.S. O prognozirovanii ekonomicheskih pokazatelej s pomoshch'yu nejroevolyucionnyh modelej. Vestnik SibGAU, 2014, №5(57). S.299-304.
12. Omarov A.V., Repnikov A.I., Gryaznov I.Е. Reshenie zadach prognozirovaniya s pomoshch'yu nechetkih nejronnyh setej v pakete “MATLAB”, Izvestie VolGTU, 2018 № 2(212), s.80-82.
13. Dongqing Z, Guangming Z, Jing L, Kaiping M, Huan Liu Prediction of soybean price in China using QR-RBF neural network model Computers and Electronics in Agriculture, Vol. 154, No-vember 2018, Pages 10-17.
14. Bugorskij V.N., Nikitin N.A. Nejronnye seti v upravlenii roznichnoj torgovlej, Prikladnaya informatika, 2006, №2, s. 34-41.
15. Karelin V.YA., Minaev A.V Nasosy i nasosnye stancii M.: Strojizdat, 1986. 320 s.
16. MATLAB – book1, see http://matlab.exponenta.ru/neuralnetwork/book1/index.php. (see 20.06.18)
17. Hagan M.T., Menhaj M. Training Feedforward Networks with the Marquardt Algorithm // IEEE Transactions on Neural Networks. 1994. Vol.5. №6. Р. 989-993.
2. Gorfinkel' V.YA., SHvander V.A. Ekonomika organizacij (predpriyatij). M.: YUNITI, 2004. 608 s.
3. Vasyuhin O.V. Osnovy cenoobrazovaniya. SPb: SPbGU ITMO, 2010. 110 s.
4. Killingsworth E.C., Wolz R.R. Requirements for business jet aircraft// AIAA-90-2038, SAE, ASME, and ASEE, 26th Joint Propulsion Conference. 1990. P.10.
5. Cejtltna T.O., Balashov V.V., Dunaevskij A.I., Smirnov A.V. Prognozirovanie ceny perspek-tivnogo sverhzvukovogo administrativnogo samoleta Trudy MFTI. 2009. Tom 1 № 3, s.160 – 170.
6. Hajkin S. Nejronnye seti: polnyj kurs. 2-e izd. M.: Izdatel'skij dom “Vil'yams”, 2006. 1104 s.
7. Xiaobing H, Xiaolian L, Yuanqian R. Enterprise credit risk evaluation based on neural net-work algorithm Cognitive Systems Research Vol. 52, December 2018, Pages 317-324.
8. Stupak A.A. Upravlenie zapasami s ispol'zovaniem nejronnyh setej «Upravlenie investiciyami i innovaciyami» 2017, №3 s.95-102.
9. Kurnikov D.S., Petrov S.A. Ispol'zovanie nejronnyh setej v ekonomike, Juvenis scien-tia(@jscientia) 2017, №6 s.10-12.
10. Pengju Z. Quantitative analysis of portfolio based on optimized BP neural network Cognitive Systems Research Vol. 52, December 2018, Pages 709-714.
11. Fedotov D.V., Semenkin Е.S. O prognozirovanii ekonomicheskih pokazatelej s pomoshch'yu nejroevolyucionnyh modelej. Vestnik SibGAU, 2014, №5(57). S.299-304.
12. Omarov A.V., Repnikov A.I., Gryaznov I.Е. Reshenie zadach prognozirovaniya s pomoshch'yu nechetkih nejronnyh setej v pakete “MATLAB”, Izvestie VolGTU, 2018 № 2(212), s.80-82.
13. Dongqing Z, Guangming Z, Jing L, Kaiping M, Huan Liu Prediction of soybean price in China using QR-RBF neural network model Computers and Electronics in Agriculture, Vol. 154, No-vember 2018, Pages 10-17.
14. Bugorskij V.N., Nikitin N.A. Nejronnye seti v upravlenii roznichnoj torgovlej, Prikladnaya informatika, 2006, №2, s. 34-41.
15. Karelin V.YA., Minaev A.V Nasosy i nasosnye stancii M.: Strojizdat, 1986. 320 s.
16. MATLAB – book1, see http://matlab.exponenta.ru/neuralnetwork/book1/index.php. (see 20.06.18)
17. Hagan M.T., Menhaj M. Training Feedforward Networks with the Marquardt Algorithm // IEEE Transactions on Neural Networks. 1994. Vol.5. №6. Р. 989-993.
Опубликован
2019-11-22
Как цитировать
Бояркин, Г., Ревина, И., & Шевелева, О. (2019). ВОЗМОЖНОСТЬ ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ НАСОСНОЙ ТЕХНИКИ. Современные наукоёмкие технологии. Региональное приложение, 59(3), 64-72. извлечено от http://snt-isuct.ru/article/view/1763
Выпуск
Раздел
Инженерно-технически науки, машиностроение и технологии
