МЕТОДЫ ПРОГНОЗИРОВАНИЯ В ГЕОИНФОРМАЦИОННЫХ СИСТЕМАХ

Виканова Алёна Анатольевна

студентка 6 курса, кафедра информационных систем

и компьютерных технологий БГТУ «Военмех», г. Санкт-Петербург

E-mail:

Снижко Елена Александровна

научный руководитель, канд. пед. наук, доцент БГТУ «Военмех»,

 г. Санкт-Петербург

Одним из основных методов решения задач научного обоснования освоения природной среды, объектов производства и эффективности инвестиций является научное прогнозирование, основанное на всестороннем комплексном исследовании разнообразных данных. В исследовании должны учитываться не только данные о самой природной среде, но и другие, отражающие факторы социальной сферы, трудовых, материальных и финансовых ресурсов, требования рационального природопользования и т.п.

Для комплексного исследования окружающей среды в настоящее время применяются ГИС-технология и геоинформационные системы. В основе исследования заложен анализ природной и социальной среды как совокупности геоинформационных объектов. Такой подход приводит к новой технологии прогнозирования – геоинформационного прогнозирования.

Геоинформационное прогнозирование представляет собой набор методов получения и анализ информации об окружающей среде и разработки прогнозных оценок для поддержки принятия решений.

Целью геоинформационного прогнозирования является снижение уровня неопределённости при принятии решений.

Геоинформационное прогнозирование решает две основные задачи: оценка тех или иных параметров для данного момента времени и получение прогнозных оценок на перспективу.

Оценка текущих параметров применяется для оперативного анализа существующей ситуации. Прогнозные оценки используют при оценке альтернатив принимаемых решений или при изучении явлений и их будущих последствий.

Геоинформационное прогнозирование как технология интегрирует статические методы прогнозирования, методы деловой графики, методы геоинформационного моделирования и цифрового моделирования.

При геоинформационном прогнозировании можно выделить три качественных этапа обработки информации:

1. Сбор, группировка, обобщение и унификация первичных данных;
2. Анализ, моделирование вторичных (унифицированных) данных;
3. Получение прогнозных оценок, их верификация.

Сбор, группировка, обобщение и унификация первичных данных.

Ключевым аспектом решения задач прогнозирования является выделение специфических типов информации, необходимой при решении проблем управления или исследования природных явлений.

Исходя из этого, цели сбора данных могут быть следующими.

1. Разведочная – направлена на сбор предварительной информации, предназначенной для определения проблем, проверки гипотез и выбора моделей.
2. Описательная (дескриптивная) – направлена на получение описательных характеристик тех или иных аспектов геоинформационной среды, например социальной ситуации.
3. Казуальная – направлена на выявление и определение причинно-следственных связей и обоснование гипотез. [1, с. 104]

На практике при проведении сбора геоинформационных данных используется не один, а все типы исследований, причем в любой последовательности.

Первый класс методов сбора составляют дистанционные методы сбора информации.

Другой, дополняющий первый класс методов, образуют методы статистической обработки данных.

При решении задач геоинформационного прогнозирования вся используемая информация подразделяется на два класса: первичная и вторичная.

Первичные (разнородные) данные получают в результате сбора информации об объектах местности разными технологиями: статистические методы сбора экономической и социальной информации, фотограмметрические методы, полевые методы, картометрические методы, использование GPS, данные дистанционного зондирования и т.д.

Под вторичными (унифицированными) данными понимают данные, полученные в результате обработки первичных данных, а также данные собранные ранее для других целей.

Анализ, моделирование вторичных данных.

На этом этапе при анализе осуществляется:

• - выбор объектов прогноза;
• - исследование фона (среды);
• - классификация событий;
• - формирование задачи и генеральной цели прогноза.

Анализ унифицированных данных включает предварительное обобщение и группировку данных, построение моделей объекта прогнозирования.

Выделяют, по крайней мере, следующие четыре функции преобразования данных: обобщение, определение концепции (концептуализация), перевод результатов статического анализа на понятный для пользователя язык (коммуникация), определение степени соответствия полученных результатов всей совокупности (экстраполяция).

На основе этих данных создают модели объектов прогнозирования, которые определяются совокупностью цифровых моделей: цифровые модели местности, цифровые модели объектов, цифровые модели явлений.

Особенностью решения задач прогнозирования является необходимость исследования взаимодействия объекта прогнозирования с внешней средой. Это требует дополнительного построения модели внешней среды.

При наличии моделей объекта прогнозирования и данных об окружающей  его среде проводится дальнейший анализ и обобщение.

Получение прогнозных оценок.

При проведении прогнозирования может создаваться прогнозная модель – модель, исследование и использование которой позволяет получить информацию о возможных состояниях объекта в будущем и путях и сроках осуществления этих состояний.

Методы прогнозирования, как и все методы, используемые при проведении геоинформационных исследований, можно подразделить на эвристические, при применении которых преобладают субъективные начала, и на логико-математические, при применении которых преобладают объективные начала.

Эвристические методы прогнозирования предполагают, что подходы, используемые для формирования прогноза, не изложены в явной форме и неотделимы от лица, делающего прогноз, при разработке которого доминируют интуиция, опыт, творчество и воображение. К данной категории методов относятся методы социологических исследований, экспертные методы и методы прогнозирования по аналогам (метод прецедентов). Особенностью этих методов является их зависимость от лица, делающего прогноз.

Примером эвристических методов прогнозирования может быть экспертная система. Под экспертной системой понимается система,  объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить разумный совет или осуществить разумное решение поставленной задачи. Дополнительно желаемой характеристикой такой системы, которая многими рассматривается как основная, является способность системы пояснять, по требованию, ход своих  рассуждений в понятной для спрашивающего форме. [3, с. 9]

В системе, основанной на правилах, знания в проблемной области, необходимые для решения задач, закодированы в форме правил и содержатся в базе знаний. Безусловно, для представления знаний наиболее широко применяются правила, но в экспертных системах других типов применяются также другие способы представления.

Логико-математические методы прогнозирования основаны на построении формализованных логико-математических моделей. Это позволяет осуществлять обработку данных и получение прогноза на основе алгоритмов без участия субъекта. Особенностью этих методов является их независимость от лица, делающего прогноз. Они могут быть воспроизведены другими лицами, которые неизбежно приведут к получению такого же или близкого прогноза.

К данной группе относятся методы прогнозирования по аналогам (метод моделей), функционально-логическое прогнозирование, структурное прогнозирование, параметрическое прогнозирование, комплексное прогнозирование.

Примером прогнозирования по аналогии (метод моделей) могут служить методы распознавания образов.

Методы распознавания образов широко используют в геоинформационных технологиях при обработке фотограмметрической информации и данных дистанционного зондирования Земли. Существуют несколько типов задач распознавания образов, важнейшими из которых являются три их типа:

• - обучение распознаванию образов;
• - задача минимизации описания объекта;
• - задача таксономии.

В первой задаче по некоторому набору признаков с помощью выбранного решающего правила определяют принадлежность объектов к определенному классу. При этом используют некоторое количество эталонных объектов, образующих так называемые обучающие выборки или библиотеки эталонов (сигнатуры), для которых указываются классы, содержащие эти объекты.

При анализе признаков, для каждого объекта вырабатываются критерии, называемые критериями оптимальности (решающими правилами), которые позволяют определить принадлежность каждого нового объекта тому или иному классу с ошибкой, не превышающей заранее заданную.

Таким образом, при наличии обучающей выборки строится такое решающее правило, которое позволяет реализовать прогноз о принадлежности объектов определенным классам или определенным интервалам значений своих параметров при появлении новой информации об этих объектах.

При решении второй задачи из совокупности признаков, характеризующих каждый рассматриваемый объект, выбирают наиболее информативные. Она формулируется следующим образом: необходимо построить такое пространство признаков, чтобы размерность его была меньше размерности параметров исходных данных, а информативность (относительно анализируемого объекта) не изменилась.

Третья задача заключается в том, чтобы из некоторого множества объектов выделить с помощью заданного правила классы однородных одинаковых объектов.

Геоинформационные данные носят временной характер. В том случае, когда прогноз необходим на определенный период времени в будущем, в качестве исходных данных используют временные ряды или временные модели.

В этих случаях прогноз основывается на ретроспективном анализе данных и определении следующих характеристик.

Прогнозная ретроспектива – процедура моделирования «назад» на некий временной период прогнозирования, на котором исследуется объект прогнозирования и прогнозный фон (среда) с целью получения их систематизированного описания.

Период упреждения прогноза – промежуток времени, на который разрабатывается прогноз.

Период основания прогноза – промежуток времени, на базе которого строится ретроспектива.

Прогнозный горизонт – максимально возможный период упреждения прогноза заданной точности и достоверности. [2, с. 234]

Геоинформационное прогнозирование включает три типа задач, определяющих его особенности и отличие от других видов прогнозирования, например маркетингового.

Первый тип задач связан с обработкой статистических данных и переносе результатов обработки на карту. Он основан на широко применяемых известных методах математической статистики и теории вероятностей и тематическом картографировании.

Второй тип задач геоинформационного прогнозирования связан с анализом изображений, например автоматизированной классификации объектов космического снимка с целью выявления определенных объектов по заданному набору или их образов.

Третий тип задач геоинформационного прогнозирования связан с необходимостью анализа и обработки последовательностей пространственных объектов.

Результатом геоинформационного прогнозирования являются не только статистические данные (обычный прогноз), но и тематические карты, цифровые модели динамики явлений, трехмерные модели объектов, векторные изображения полей или динамики явлений.

Все эти данные получаются на основе различных логико-математических методов прогнозирования.

Можно выделить несколько групп математических методов, используемых при проведении геоинформационного прогнозирования.

1. Статистические методы обработки информации.
2. Многомерные методы (в первую очередь факторный и кластерный анализы). Они используются для обоснования решений, в основе которых лежат многочисленные взаимосвязанные переменные.
3. Регрессионные и корреляционные методы. Они используются для установления взаимосвязей между группами переменных, описывающих маркетинговую деятельность.
4. Имитационные методы. Они применяются тогда, когда переменные, влияющие на реальную ситуацию (например, описывающие динамику) не поддаются определению с помощью аналитических методов.
5. Методы статистической теории принятия решений. Используются для стохастического описания ситуации.
6. Детерминированные методы исследования операций (в первую очередь линейное и нелинейное программирование). Эти методы применяют тогда, когда надо найти оптимальное решение. [1, с. 109]

Выделяют пять основных видов статистического анализа, используемых при проведении таких исследований: дескриптивный анализ; выводной анализ; анализ различий; анализ связей; предсказательный анализ.

Анализ, в основе которого лежит использование статистических процедур (например, проверка гипотез) с целью обобщения полученных результатов на всю совокупность, называется выводным анализом.

Анализ различий используется при сравнении результатов исследования двух групп объектов для определения степени отличия в их поведении.

Предсказательный анализ используют при прогнозировании развития событий в будущем.

Можно выделить два способа разработки параметрических прогнозов: экстраполяцию и моделирование.

В первом случае в качестве базы прогнозирования используется прошлый опыт, который пролонгируется на будущее. Во втором случае строится прогнозная модель, характеризующая зависимость изучаемого параметра от ряда факторов, на него влияющих. Она связывает условия, которые, как ожидается, будут иметь место, и характер их влияния на изучаемый параметр.

Каждый из методов прогнозирования обладает определенными достоинствами и недостатками.

Эвристическое прогнозирование включает экспертное прогнозирование и прогнозирование по аналогии.

Экспертному прогнозированию, которое поддерживается в геоинформатике не только статистикой, но и набором карт или визуальных моделей предшествуют математические методы прогнозирования. Следует отметить, что экспертному методу присущи значительные погрешности, а интуиция и опыт эксперта должны в возможно большей степени проверяться с помощью доступных фактов и знаний.

Прогнозирование по аналогии (метод прецедентов) корректно только тогда, когда установлена, доказана аналогия между объектами управления и аналогами. Этот метод нельзя использовать при прогнозировании явлений, не имеющих аналогов.

Верификация прогнозных оценок и выбор метода прогнозирования.

Получение прогнозных оценок должно быть подвергнуто верификации для их надежности.

Цель верификации прогноза – оценка его функциональной полноты, точности и достоверности.

Применяют разные виды верификации.

Прямая верификация прогноза – верификация путём разработки того же прогноза другим методом.

Косвенная верификация прогноза – верификация путём сопоставления его с прогнозом или данными полученными из других источников.

Инверсная верификация – верификация прогноза путём проверки адекватности прогностической модели в ретроспективном периоде.

Консеквентная верификация – верификация путём аналитического или логического выведения прогноза из ранее полученных прогнозов.

Верификация оппонентом – верификация путём опровержения критических замечаний оппонента по прогнозу.

Верификация экспертом – верификация сравнением прогноза с мнением эксперта. [2, с. 235]

После выполнения и верификации прогноза необходимо оценить его качество. Для этой цели используют следующие показатели:

• - полнота прогноза – доля вариантов прогноза из множества возможных и (или) доля функций объекта прогнозирования, рассмотренных в процессе прогнозирования.
• - точность прогноза – оценка доверительного интервала прогноза для заданной доверительной вероятности.
• - достоверность прогноза – оценка доверительной вероятности осуществления прогноза для заданной точности (доверительного интервала).
• - ошибки прогноза – апостериорная величина отклонения прогноза от действительного состояния объекта.
• - источник ошибки прогноза – фактор, могущий привести к появлению ошибки прогноза.

При выборе метода прогнозирования следует учесть для какого типа управления предполагается использовать прогноз. Это объясняется тем, что различные типы управления предъявляют различные требования к виду результатов и точности прогнозирования.

Текущее управление. При таком управлении предполагается, что последствия управляющего воздействия будут аналогичны ранее наблюдавшимися при управлении другими объектами. В таких случаях используют прогнозирование по аналогии (прецедент или модель).

Системное управление предполагает необходимость анализа множества элементов объекта и среды, а также связей между ними. При таком типе управления чаще всего используют экспертное, функционально-логическое, структурное прогнозирование.

Ситуационное управление предполагает необходимость в прогнозе последствий принимаемых решений. Результат такого прогноза может носить качественный (хуже, лучше или предпочтительно, недопустимо и т.д.) или количественный характер. Поэтому такой тип управления чаще должен использовать экспертное, функционально-логическое, структурное или математическое прогнозирование.

Список литературы:

1. Бугаевский Л.М., Цветков В.Я. Геоинформационные системы: учебное пособие для вузов. М.: Златоуст, 2000.-222 с.
2. Иванников А.Д., Кулагин В.П., Тихонов А.Н., Цветков В.Я. Геоинформатика. М.: МАКС Пресс, 2001.-349 с.
3. Нейлор К. Как построить свою экспертную систему: пер. с англ. М.:Энергоатомиздат, 1991.-286 с.