ISSN 1991-3087

Свидетельство о регистрации СМИ: ПИ № ФС77-24978 от 05.07.2006 г.

ISSN 1991-3087

Подписной индекс №42457

Периодичность - 1 раз в месяц.

Вид обложки

Адрес редакции: 305008, г.Курск, Бурцевский проезд, д.7.

Тел.: 8-910-740-44-28

E-mail: jurnal@jurnal.org

Рейтинг@Mail.ru Rambler's Top100
Яндекс.Метрика

Формирование зависимостей поступлений и их привязка к нейросетевой структуре

 

Султанова Бакыт Кайыркеновна,

кандидат политехнических наук,

Базаралы Канат Амангельдыулы,

Жеребцова Екатирина Петровна,

Тлеулина Гаухар.

Карагандинский государственный технический университет.

 

В данной статье рассматриваются вопросы построения прогноза поступления страховых премий, разработки прогнозирующей информационной системы на примере областного филиала страховой компании. Исследована возможность применения зависимостей предметной области к прогнозированию на основе нейронной сети. Прогнозирование осуществляется на основе нейронной сети построенной на модели персептрона.

Согласно существующей литературе [1, 2, 3], персептрон – сеть нейронов соединенных между собой различными связями. Для каждого нейронной связи существует сформированный (обученный) вес, по которому происходит прогнозирование. В существующих моделях персептрона не существует единого мнения о количестве скрытых слоев и количество нейронов, данный фактор остается на усмотрения интуиции разработчика [1]. Цель данной статьи рассмотреть возможность применения известных эксперту зависимостей в качестве нейронов персептрона.

Формирование информационной системы начинается с изучения предметной области и существующих реализованных решений с функциональностью аналогичной предполагаемой к разработке системы. Прогнозирование – предвидение или составление наиболее возможного сценария будущего, это предсказывание будущих событий. Этапы построения прогноза имеют наибольшее значение при проектировании информационной системы. Проектирование информационной системы разбито на три этапа: сбор и анализ данных, выбор методов проектирования и алгоритма реализации, формирование и корректировка прогнозов.

Для представления общего алгоритма системы представим принцип работы предприятия:

 

Рис. 1. Общий принцип работы предприятия по масштабу количество клиентов.

 

Формирование поступлений происходит поиском и привлечения клиентов. Поиском и привлечением клиентов занимаются специально обученные люди – агенты страховой компании [4]. Сбор поступлений происходит путем сдаче агентом отчетов по проделанной работе (количеству привлеченных клиентов). При наступлении страховых случаев предприятие выплачивает страховые суммы. Из рисунка 1 видно, что чем больше у предприятия клиентов, тем больше поступлений, следовательно, рентабельность предприятия возрастает. Существующие вопросы увеличения или стабилизации поступлений связаны с вопросами поиска клиентов и их удержания. Однако слабоизученными вопросами предприятия являются зависимости при выборе клиента и факторы, влияющие на выбор клиента .

Первым делом в вопросе изучения построения зависимостей и предпочтения клиентов необходимо было изучить имеющейся опыт как на самом предприятие, так и взятый из внешних источников. Следующим шагом была адаптация изученного матераиала и применение в рамках поставлекнной задачи.

Для выявления поставленной задачи о нахождения зависимостей при выборе клиентов, влияющий в итоге на количество поступлений, был применена следующая методика:

-                   отсортировать имеющиеся данные на предприятие и полученные извне;

-                   упорядочить отсортированные данные;

-                   сформировать зависимости для последующей работы.

В виду почти полного отсутствия и не изученности вопроса на предприятии, исследовательская работа была начата на предприятие областного филиала «Страховой Компании ТрансОйл» (Республика Казахстан) с изучения внешних исследований. Полученная таким образом информация не обладала всей полнотой, необходимой для построения зависимостей. В связи с чем, на производстве была организована работа по изучению зависимостей выбора клиентов. Работа разделилась на следующие этапы:

-                   формирование исходных данных (зависимостей);

-                   классификация всех найденных исходных данных (зависимостей);

-                   распределение весов по зависимостям.

Источниками формирования исходных данных послужили внешние ресурсы и уже известные экспертам компании данные. Среди известных компании факторов, влияющие на выбор клиентом той или иной страховой компании, были (отсортированы по значимости):

1.                  Рекомендации известных клиенту лиц.

2.                  Предыдущий опыт клиента.

3.                  Наличие разветвленной сети представительств.

4.                  Долгожительство на рынке.

5.                  Репутация компании.

Вышеуказанные пункты относятся к классам обязательного страхования, поэтому факторы зависимости по ценам не учитываются, так как фактор регулируются законом и обязателен для исполнения всеми страховщиками [5].

В целом, объективными факторами на сбор страховых премий страховщиком являются: конъюнктура рынка, темпы инфляции, законодательная и нормативная база, система налогообложения, степень монополизации страхового рынка, динамика ссудного процента, уровень развития государственной социальной защиты и т.д. Действие этих факторов увеличивает или уменьшает поток страховых платежей в страховую компанию и влияют на доходы страховой компании.

 

Рис. 2. Зависимости в круговороте ежегодных поступлений.

 

На основе сформированных и изученных данных был построен следующий цикл страхового бизнеса, с факторами влияющий на поступление денежных средств в компанию, представленный на рисунке 2. Факторы представлены в порядке наиболее интенсивно влияющих на конечное число поступлений. Модифицировав рис. 2 по критериям, влияющих, на изменения прогноза, можно получить почти готовую нейронную сеть персептрона. При формировании персептрона нейронной сети указанные факторы могут играть роль нейронов скрытых слоев. Так имея на входе, данные за предыдущий период, модифицированные с помощью нейронных связей в персептроноподобной структуре мы можем получить на выходе не только результат прогноза, но и на основе нейронной связи (обученной) получить информацию о наиболее сильной связи, т.е. существенных факторов [6]. Представленный на рисунке 3 персептрон, является простейшим наглядным примером и может быть модифицирован по необходимости. Каждый слой нейронов представлен в виде линии равнозависимых факторов на взгляд исследователя.

 

Рис. 3. Зависимости в качестве нейронов.

 

Таким образом, полученные на этапе тестирования правильные весовые значения могут быть использованы в качестве информации по распределению зависимостей. Слабым местом такой системы является необходимость эксперта предметной области в процессе обучения и тестирования, так как система может распределить весовые значения в произвольном порядке. Усиления веса значимых нейронов можно осуществлять при формировании изначальных весов, выбираемых случайным образом [1]. Дальнейшие исследование на основе представленной модели будут изложены в диссертации исследователя.

 

Литература

 

1.                  Тихонов Э.Е. «Методы прогнозирования в условиях рынка: учебное пособие» - Невинномысск, 2006. - 221 с.

2.                  Абовский Н.П. и др. Разработка практического метода нейросетевого прогнозирования // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл., 2002. – С. 1089 – 1097.

3.                  Тихонов Э.Е. Об одном подходе к прогнозированию с помощью нейронных сетей // Материалы третьей МНК «Студенческая наука – экономике России». Ставрополь: СевКав ГТУ, 2002.– С. 69 – 70.

4.                  Громова Н.М., Громова Н.И., Основы экономического прогнозирования, Академия Естествознания, 2006 г., http://www.rae.ru/monographs/10.

5.                  Закон Республики Казахстан от 1 июля 2003 года N 446
с изменениями, внесенными Законом РК от 30.12.2009 № 234-IV
, http://www.fgsv.kz/pr/rus/proj/index.php?a=58.

6.                  Царегородцев В.Г. Извлечение явных знаний из таблиц данных при помощи обучаемых и упрощаемых искусственных нейронных сетей // Материалы XII Международной конференции по нейрокибернетике. - Ростов-на-Дону. Изд-во СКНЦ ВШ. 1999.- 323с. - С.245-249.

 

Поступила в редакцию 19.01.2012 г.

2006-2018 © Журнал научных публикаций аспирантов и докторантов.
Все материалы, размещенные на данном сайте, охраняются авторским правом. При использовании материалов сайта активная ссылка на первоисточник обязательна.