доктор экономических наук, профессор кафедры информатики
Doctor of Economics, Professor at the Department “Information science”
аспирант кафедры информатики
post-graduate at the Chair “Information science”
Рассмотрены общая методология и архитектура системы гибридных моделей прогноза экономических показателей и ее реализации в виде интегрированной информационной системы на примере показателей сферы исследований и инноваций экономики Российской Федерации. Продемонстрирована схема распределенной информационно-аналитической метасистемы, представлен общий алгоритм верификации типового блока прогноза, которая способствует значительному повышению доверия к результатам прогнозирования. Объектом исследования статьи является единая система гибридных моделей, объединяющая эконометрические и нейросетевые модели в единую систему гибридных экономических моделей. Структура гибридной системы прогноза состоит из двух подсистем: подсистемы прогноза распределенных эконометрических моделей и подсистемы распределенных нейросетевых моделей прогнозирования. Выявлены объективные причины, при которых достигается предел возможностей регрессионных моделей. Описана архитектура подсистемы распределенных нейросетевых моделей, разработанная на языке программирования Python с помощью вебфреймворка Django. Показаны стадии процесса прогноза показателей в гибридной модели. Рассмотрена функциональная структура гибридных моделей, в основе которой - применение программных модулей. Использование подобной системы позволяет не только повысить точность и качество прогнозных расчетов, но и применять их в контуре управления достижения целевых показателей.
The article considers general methodology and architecture of hybrid system models for prediction of economic indicators and its implementation in the form of an integrated information system on the example of research and innovation indicators of the Russian economy. The scheme of the distributedinformation-analytical system is demonstrated. The general verification process algorithm of the modelprediction unit is presented, which contributes significantly to the credibility of the forecast results. The object of the study is a unified system of hybrid models, combining econometric and neural network modelsinto a single system of hybrid economic models. The structure of the hybrid forecasting system consists of two subsystems: the subsystem of the distributed econometric forecast models and subsystem of the distributed neural network prediction models. The objective reasons, under which the level best of regression modelsis reached, are identified. The subsystem architecture of the distributed neural network models developedin the programming language Python with the use of the web framework Django is described. The stages of indicators forecasting in a hybrid model are shown. The hybrid models functional structure based on the use of software modules are considered. The use of such a system allows not only to improve the accuracy and quality of the forecasts, but also to apply them in the control loop foreaching the targets.
The authors declare that there are no conflicts of interest present.