The 8 references with contexts in paper D. Yakupov T., O. Rozhko N., Д. Якупов Т., О. Рожко Н. (2017) “Перспективы применения искусственных нейронных сетей для прогнозирования объемов грузоперевозок в транспортных системах // Prospects of application of artificial neural networks for forecasting of cargo transportation volume in transport systems” / spz:neicon:statecon:y:2017:i:5:p:49-60

1
Осовский, С. Нейронные сети для обработки информации. Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2004. 344 с.
Total in-text references: 4
  1. In-text reference with the coordinate start=8458
    Prefix
    В таких случаях решить проблему получения достоверного прогноза можно при помощи аппарата искусственных нейронных сетей (ИНС), позволяющих моделировать разного рода зависимости, в основе которых могут быть линейные модели, обобщенно линейные модели и нелинейные модели
    Exact
    [1,2]
    Suffix
    . Именно способность ИНС к обобщению и выделению скрытых зависимостей между входными и выходными данными лежит в основе получения достоверных статистических прогнозов. На сегодняшний день ИНС – одна из перспективных информационно-вычислительных технологий в исследовании динамических систем в области экономики, позволяющая внедрять основанные на методах искусс

  2. In-text reference with the coordinate start=17925
    Prefix
    Искусственные нейронные сети Искусственная нейронная сеть (ИНС) – математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма
    Exact
    [1]
    Suffix
    . В общем виде процесс построения нейросетевой модели прогнозирования имеет итерационный характер и состоит из нескольких этапов [1]: 1. Выбор архитектуры нейронной сети в соответствии с вектором входных и выходных значений. 2.

  3. In-text reference with the coordinate start=18061
    Prefix
    сети Искусственная нейронная сеть (ИНС) – математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма [1]. В общем виде процесс построения нейросетевой модели прогнозирования имеет итерационный характер и состоит из нескольких этапов
    Exact
    [1]
    Suffix
    : 1. Выбор архитектуры нейронной сети в соответствии с вектором входных и выходных значений. 2. Обучение сети. 3. Тестирование сети. 4. Оценка результатов. Для прогнозирования использован пакет Neural Network Toolbox программной среды MATLAB.

  4. In-text reference with the coordinate start=22740
    Prefix
    Функция активации сигмоидального нейрона является непрерывной и выражается в виде логистической сигмоидальной функции: () kske fsβ− + = 1 1 (7) где β – параметр крутизны функции активации. Функция активации выходного нейрона является непрерывной и выражается в виде линейной функции: f(sk) = c • sk (8) где с – параметр крутизны функции активации.
    Exact
    [1]
    Suffix
    Технически обучение ИНС заключается в нахождении коэффициентов w связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.

2
Koskela T. Neural network methods in analyzing and modelling time varying processes Espoo, 2003. pp. 1–72. URL: http://citeseerx.ist.psu. edu/viewdoc/summary?doi=10.1.1.77.5993 (paid access to article).
Total in-text references: 1
  1. In-text reference with the coordinate start=8458
    Prefix
    В таких случаях решить проблему получения достоверного прогноза можно при помощи аппарата искусственных нейронных сетей (ИНС), позволяющих моделировать разного рода зависимости, в основе которых могут быть линейные модели, обобщенно линейные модели и нелинейные модели
    Exact
    [1,2]
    Suffix
    . Именно способность ИНС к обобщению и выделению скрытых зависимостей между входными и выходными данными лежит в основе получения достоверных статистических прогнозов. На сегодняшний день ИНС – одна из перспективных информационно-вычислительных технологий в исследовании динамических систем в области экономики, позволяющая внедрять основанные на методах искусс

3
Тадеусевич Р., Боровик Б., Гончаж Т., Леппер Б. Элементарное введение в технологию нейронных сетей с примерами программ. Пер. с польск. И.Д. Рудинского. М.: Горячая линия Телеком, 2011. 408 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=8965
    Prefix
    На сегодняшний день ИНС – одна из перспективных информационно-вычислительных технологий в исследовании динамических систем в области экономики, позволяющая внедрять основанные на методах искусственного интеллекта статистические средства поддержки принятия управленческих решений. Согласно
    Exact
    [3,4]
    Suffix
    применение ИНС оправдано в случаях, когда решение задач прогнозирования затруднено большими объемами входной информации либо данные неполны или избыточны, «зашумлены» и частично противоречивы.

4
Федоров Е.Е. Искусственные нейронные сети. Красноармейск: ДВНЗ «ДонНТУ», 2016. 338 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=8965
    Prefix
    На сегодняшний день ИНС – одна из перспективных информационно-вычислительных технологий в исследовании динамических систем в области экономики, позволяющая внедрять основанные на методах искусственного интеллекта статистические средства поддержки принятия управленческих решений. Согласно
    Exact
    [3,4]
    Suffix
    применение ИНС оправдано в случаях, когда решение задач прогнозирования затруднено большими объемами входной информации либо данные неполны или избыточны, «зашумлены» и частично противоречивы.

5
Меркулова Ю.В. Ситуационно-стратегическое планирование в экономике: монография в 2-х томах. Т. 2. Моделирование оптимальных стратегий и программ. М.: Экономика, 2015. 464 с.
Total in-text references: 3
  1. In-text reference with the coordinate start=10956
    Prefix
    простых средств для решения задач, и цель данной статьи – показать, в какой мере нейросетевой подход может быть применен к задачам экономического прогнозирования транспортно-логистических показателей и попытаться обосновать перспективы и эффективность применения ИНС в сравнении с эффективностью других методов прогнозирования. Как отмечено в работах
    Exact
    [5, 6]
    Suffix
    основными экстраполятивными методами статистического прогнозировании объемов грузовых перевозок традиционно являются: метод экспоненциального сглаживания, метод наименьших квадратов, анализ динамических рядов и другие, основанные на выявлении тенденции (характеристик тенденции) на периоде ретроспекции с предположением, что действующие на периоде ретроспекции факторы со

  2. In-text reference with the coordinate start=16460
    Prefix
    Экспоненциальное сглаживание можно представить, как фильтр, на вход которого последовательно поступают члены исходного ряда, а на выходе формируются текущие значения экспоненциальной средней
    Exact
    [5]
    Suffix
    . Последовательность вычислений описана ниже. Вычисляется m сглаженных значений: ()   ⋅+−⋅> = = 1−1 1 1 1 yyi yi y ii i: : aa (1) где yi – сглаженный ряд, yi – исходный ряд, α – коэффициент сглаживания, i – номер компонента ВДР.

  3. In-text reference with the coordinate start=17154
    Prefix
    Если значение α близко к единице, то это приводит к учету при прогнозе в основном влияния лишь последних наблюдений. Если значение α близко к нулю, то веса, по которым взвешиваются уровни временного ряда, убывают медленно, т.е. при прогнозе учитываются все (или почти все) прошлые наблюдения
    Exact
    [5]
    Suffix
    . Коэффициент α выбран в диапазоне (0;1) с шагом 0,1. Вычисляется цепной годовой прирост за период m лет: ()()./11−−=myyymceppr (2) Выполняется прогнозирование (i + 1)-ого значения: ()(),111−+⋅−++⋅=iceppriiyyyyαα (3) а также (i + 2...k)-ых значений (k – период упреждения, в данной работе k = 3); 4.

6
Владимирова Л.П. Прогнозирование и планирование в условиях рынка. М.: Дашков и К, 2012. 308 с.
Total in-text references: 1
  1. In-text reference with the coordinate start=10956
    Prefix
    простых средств для решения задач, и цель данной статьи – показать, в какой мере нейросетевой подход может быть применен к задачам экономического прогнозирования транспортно-логистических показателей и попытаться обосновать перспективы и эффективность применения ИНС в сравнении с эффективностью других методов прогнозирования. Как отмечено в работах
    Exact
    [5, 6]
    Suffix
    основными экстраполятивными методами статистического прогнозировании объемов грузовых перевозок традиционно являются: метод экспоненциального сглаживания, метод наименьших квадратов, анализ динамических рядов и другие, основанные на выявлении тенденции (характеристик тенденции) на периоде ретроспекции с предположением, что действующие на периоде ретроспекции факторы со

7
Pamula T. Neural networks in transportation research recent applications // Transport problems Vol. 11, Issue 2, pp. 27–36. 2016. URL: http:// transportproblems.polsl.pl/pl/Archiwum/2016/ zeszyt2/2016t11z2_03.pdf.
Total in-text references: 1
  1. In-text reference with the coordinate start=12112
    Prefix
    и других грузов в рамках региона в целом, получить достоверные результаты прогноза, даже краткосрочного, довольно сложно, учитывая неравномерность грузопотоков во времени и пространстве, следовательно, возникает необходимость в их доступной верификации, которая может быть косвенно проведена при сравнении результатов прогнозирования по нескольким методам
    Exact
    [7, 8]
    Suffix
    . Даже в этом случае прямой верификацией можно считать только сравнение разработанных прогнозов с практическими данными, которые будут получены только по окончанию периода упреждения [8, 9].

8
Gosasang V., Chandraprakaikul W., Kiattisin S. An Application of Neural Networks for Forecasting Container Throughput at Bangkok Port // Proceedings of the World Congress on
Total in-text references: 1
  1. In-text reference with the coordinate start=12112
    Prefix
    и других грузов в рамках региона в целом, получить достоверные результаты прогноза, даже краткосрочного, довольно сложно, учитывая неравномерность грузопотоков во времени и пространстве, следовательно, возникает необходимость в их доступной верификации, которая может быть косвенно проведена при сравнении результатов прогнозирования по нескольким методам
    Exact
    [7, 8]
    Suffix
    . Даже в этом случае прямой верификацией можно считать только сравнение разработанных прогнозов с практическими данными, которые будут получены только по окончанию периода упреждения [8, 9].