Прикладная информатика, 2011, №1 (31)


икладная





                ИНФОРМАТИК®




                   научно-практический журнал

ISSN 1993-8314


    Январь-февраль


№1(31) 2011

       С 19 февраля 2010 года журнал включен в Перечень ведущих периодических изданий, рекомендованных ВАК для публикации результатов диссертационных исследований.



        Уважаемые коллеги!

   В феврале 2011 г. исполняется 5 лет со дня выхода нашего журнала, явившегося преемником одноименного периодического сборника, выпускавшегося издательством «Финансы и статистика», первый номер которого вышел в свет 30 лет назад, также в феврале. Мы поздравляем всех читателей и авторов с этими событиями и приглашаем принять участие в конференции «Прикладная информатика: проблемы и направления развития», запланированной на сентябрь текущего года (г. Москва).
   В октябре 2011 г. в Санкт-Петербурге состоится Пятая юбилейная всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности «Имитационное моделирование. Теория и практика» ИММОД-2011. Приглашаем специалистов в области имитационного моделирования принять участие в данном мероприятии.
   Журнал «Прикладная информатика» планирует опубликование наиболее значимых научных и практических достижений, представленных на указанных конференциях.
   В наступившем году мы открываем новую рубрику «Нейросетевое моделирование». Это связано с ростом исследований и публикаций в области применения аппарата нейронных сетей в задачах прогнозирования.
   Одним из активно развивающихся направлений моделирования в настоящее время является использование генетических алгоритмов. Оригинальный подход кзадаче повышения конкурентных преимуществ представлен в публикациях раздела «Лаборатория».
   В контексте развития технологий разработки программного обеспечения сегодня весьма эффективен механизм мультипотоковых вычислений. Дискуссионная рубрика «Точка зрения» приглашает к обсуждению вопросов, связанных с актуальной темой определения парадигмы параллельного программирования.


Гпавный редактор
А. А. Емельянов

ПРИКЛАДНАЯ ИНФОРМАТИКА

N1 (31)2011  '                                -1Т-бизнес
Анализ финансового рынка
И. М. Нейский, А. Ю. Филиппович
Разработка тарифной политики
для клиентов брокерского обслуживания на базе методов адаптивной кластеризации......3
Нейросетевое моделирование
О. Б. Бутусов, В. П. Мешалкин, О. П. Никифорова,
А. В. Смоллер, Р. М. Нигматуллин
Информационная система прогнозированиядоходности паевых инвестиционных фондов с помощью нейроннойсетиобратногораспространения ...... 12
В. Н. Бугорский, А. Г. Сергиенко
Использование нейронныхсетей в работетрейдера .... 17
Информационные системы бизнеса
Т. А. Лезина, М. В. Гельман
Тенденции развития корпоративныхинформационных систем предприятий сетевой розничной торговли.29
1Т-менеджмент
Интернет-проекты
Пресс-релиз
Первый московский HackDay....................38
Управление ресурсами
М. А. Клочков, Л. С. Чиркова
Программный инструментарий для оптимального функционирования системы управления работы городского пассажирского транспорта с использованием систем спутниковой навигации.39
Управление качеством
В. Н. Бугорский, К. П. Голоскоков
Управление качеством в процессе испытаний средств электронной техники ................ 50
Инструментальные средства
ГИС-технологии
А. В. Богомолова, Т. Н. Юдина, А. П. Вайншток, В. Г. Гитис ГИС-технология для системного анализа субъектов РФ по геостатистическим данным..................61

Редакционная коллегия

Главный редактор
ЕмельяновА.А., докт. экон. н., проф., зав. кафедрой Математических и инструментальных методов экономики, вице-президент МФПА
Заместители главного редактора
ВласоваЕ.А., ведущий специалист Открытого технологического института Харитонов С. В., канд. экон. н., доцент МФПА
Редакционный совет
Козлов В. Н., докт. тех. н., проф., зав. кафедрой Системный анализ и управление, СПбГПУ
Коршунов С. В., канд. тех. н., проф., проректор МГТУ им. Н. Э. Баумана Мешалкин В. П., сопредседатель, докт. тех. н., проф., чл.-корр. РАН, директор Института логистики ресурсосбережения и технологической инноватики, зав. кафедрой Логистики и экономической информатики РХТУ им. Д. И. Менделеева
МэйплКарстен, Ph. D., проф., глава Департамента прикладных вычислений, Бэдфордширский университет, Великобритания
Павловский Ю. Н., сопредседатель, докт. физ.-мат. н., проф., чл.-корр. РАН, зав. отделом, ВЦ РАН им. А. А. Дородницына
ПузанковД. В., докт. техн. н., проф., зав. кафедрой Вычислительной техники, СПбГЭТУ (ЛЭТИ)
РоссГ. В., докт. экон. н., проф., директор ЦФИ проблем информатизации, ВНИИ ПВТИ РАН
РубинЮ. Б., докт. экон. н., проф., чл.-корр. РАО, ректор МФПА
СаркисовП.Д., докт. тех. н., акад. РАН, президент РХТУ им. Д. И. Менделеева
     2 ,                                               ==

1Т и образование
E-learning
Пресс-релиз
IV Международная конференция «MOSCOWEducationOnline2010»................ 77
Simulation
Теория и практика
А. В. Улыбин
Имитационное моделирование процесса распространения инфекций с использованием мультиагентного подхода.................... 79
Лаборатория
Системы поддержки принятия решений
Л. В. Степанов
Моделирование параметров конкурентоспособного товара в условиях монополистической конкуренции предприятий ................................90
Испытание технологий
М. М. Рожков
Использование текстурных карт Лавса и дискретного косинусного преобразования в задаче распознавания лиц..................98
В преподавательский портфель
Автоматизированные информационные системы
Т. В. Алексеева, В. П. Девяткина, Т. А. Шаталина
Автоматизациядеятельноститиповогодеканата.. 104

Точка зрения
Технологии программирования
Н. В. Шилов, Л. В. Городняя, А. Г. Марчук
Параллельное программирование средидругихпарадигмпрограммирования ....... 120
Сведения об авторах........................ 130
Аннотированныйсписокстатей................. 133
Правилаоформлениярукописей................. 138



Сухомлин В.А., докт. техн. н., проф., директор Центра ИТ-образования МГУ им. М. В. Ломоносова
Члены редакционной коллегии
БендиковМ.А., докт. экон. н., проф., зав. кафедрой Инновационного управления и моделирования, МФПА, ведущий научныйсотрудникЦЭМИ РАН Бугорский В. Н., канд. экон. н., проф., СПбИЭУ (ИНЖЭКОН)
Волкова В. Н., докт. экон. н., проф., СПбГПУ
Диго С. М., канд. экон. н., проф., Компания «1С», отв. за работу с Авторизованными учебными центрами и Образовательными учреждениями ДикВ. В., докт. экон. н., проф., зав. кафедрой Информационного менеджмента и электронной коммерции, МФПА
ДлиМ. И., докт. техн. н., проф., зав. кафедрой Менеджмента
и информационныхтехнологий в экономике филиала МЭИ (ТУ) в Смоленске ПотемкинА. И., докт. тех. н., проф., РГУТиС
Салмин С. П., докт. экон. н., проф., МФПА
ХалинВ. Г., докт. экон. н., проф., зав. кафедрой Информационных систем в экономике, СПбГУ
Хубаев Г. Н., докт. экон. н., проф., зав. кафедрой Экономической информатики и автоматизацииуправления, РГЭУ (РИНХ)
ЧистовД. В., докт. экон. н., проф., зав. кафедрой Информационных технологий Финансового университета при Правительстве РФ
ШориковА. Ф., докт. физ.-мат. н., проф., зав. кафедрой Информационных систем в экономике, УрГЭУ (г. Екатеринбург)


    Читайте в номере

ПРИКЛАДНАЯ ИНФОРМАТИКА

№1(31)2011


И. М. Нейский, А. Ю. Филиппович


            Разработка тарифной политики для клиентов брокерского обслуживания на базе методов адаптивной кластеризации


    В статье исследуются современные принципы анализа информационного пространства, используемые в системах, поддерживающих работу экспертов фондового рынка. Предложенная авторами методика явилась основой соответствующего программного решения.

Большинство финансовых компаний, которые работают на фондовом рынке и являются его профессиональными участниками, привлекают клиентов на брокерское обслуживание. На сегодняшний день в России существует более 60 крупных компаний со среднемесячным оборотом около 800 млн долл. [1]. Основной показатель эффективности работы в данном направлении — объем комиссионных сборов с клиентов за совершаемые от их имени и за их счет операции. Поэтому для успешного развития брокерского обслуживания необходимо увеличивать количество клиентов и/или их обороты, на основе которых, как правило, определяется сумма комиссионного вознаграждения.
   В различных компаниях процесс разработки тарифной политики состоит из разных стадий. Например, в одном из крупных банков России этот процесс включает следующие этапы:
   а)   анализ тарифов ближайших конкурентов;
   б)   обобщение накопленного экспертного (аналитического) мнения;
   в)   разработка и согласование тарифной политики с заинтересованными подразделениями.
   Эффективность такого подхода подтверждается постоянным ростом клиентской базы банка на протяжении многих лет. Увеличению количества клиентов также способ

ствует расширение перечня предлагаемых им услуг и возможностей. Данный способ формирования ставок имеет свои достоинства, среди которых — простота и прозрачность механизма установления расценок на услуги. Однако он имеет и недостатки — отсутствие возможности оценки планируемой прибыли с учетом операционных расходов (так как разрабатываемые таким образом ставки содержат информацию только о возможных доходах от оборотов клиентов, без оценки их массовой доли среди имеющихся клиентов), а также зависимость от изменений тарифной политики конкурентов.
   В связи с кризисной обстановкой на всех мировых финансовых рынках повышается необходимость в создании «выигрышных» тарифных политик для клиентов, т. е. таких политик, смена которых всегда ведет к увеличению показателей доходности и количества клиентов. Кризис — это не только спад большинства показателей в различных отраслях экономики, но и возможность достичь более значимых результатов за счет повышения собственной эффективности, что в свою очередь требует привлечения дополнительных, ранее не используемых ресурсов, сосредоточенных в компании, — внутреннее информационное поле (аналитики, эксперты, накопленная информация об операциях, клиентах и т.д.).

3


    IT-бизнес К> Анализ финансового рынка

ПРИКЛАДНАЯ ИНФОРМАТИКА

№1(31)2011

Разработка тарифной политикидля клиентов брокерского обслуживания на базе методов адаптивной кластеризации


        Методики анализа информационного пространства

   Согласно существующей оценке, объем данных в мире удваивается каждые два месяца [2], поэтому для анализа информационного пространства наиболее предпочтительными являются автоматизированные методы и алгоритмы. Анализ показателей брокерского обслуживания исследуемой кредитной организации показал, что количество ее клиентов за последние 3 года увеличилось в 20 раз, составив несколько десятков тысяч человек, за счет предложения новой услуги по инвестированию в российские предприятия. Такая динамика подтверждает необходимость применения машинных методов для решения описанной задачи, так как использование человеческих ресурсов потребует значительных затрат времени для большого количества сотрудников. Главная особенность этого анализа в том, что его нужно проводить на регулярной основе, чтобы сохранить конкурентные преимущества на рынке данного вида услуг. Также при анализе показателей клиентов кредитной организации выявлено, что их количество составляет от 50 до 70 человек, что тоже затрудняет решение задачи с помощью человеческих ресурсов. Сложностью проведения такого анализа является нетриви-альность разыскиваемых закономерностей в силу большого количества информации и наличия НЕ-факторов.
   Изучением проблем и созданием решений в этой области активно занимаются направления Business Intelligence (интеллектуальный анализ данных) и Knowledge Management (управление знаниями), в рамках которых выделяются поднаправления Knowledge Discovery in Databases (выявление знаний в базах данных), Data Mining (анализ фактографических данных), Text Mining (анализ неструктурированных данных) и др. Результаты проведенных исследований положены в основу многих информационно-аналитических систем, используемых в основном для персональной работы

экспертов. Однако современной тенденцией является применение указанных технологий и для централизованного управления организациями.
   При изучении структурированных массивов информации используется анализ фактографических данных, состоящий из шести различных задач:
   1) классификация;
   2) регрессия;
   3) кластеризация;
   4) выявление ассоциаций;
   5) выявление последовательностей;
   6) прогнозирование.
   Потребность в кластеризации возникает в тех областях/этапах деятельности, где есть необходимость в разбиении объектов (ситуаций) на непересекающиеся подмножества, называемые кластерами, таким образом, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались. Четкое разделение на кластеры возможно только в идеальных условиях и при сильно различающихся параметрах объектов кластеризации, поэтому для решения реальных задач все чаще применяются нечеткие методы, в которых выполняется разбиение объектов (ситуаций) на частично пересекающиеся подмножества.
   Анализ существующих решений и методов показал, что на сегодняшний день нет специализированных или успешно примененных универсальных методов для решения этой задачи [3]. Известно более 100 методов кластеризации [4], поэтому при проведении конкретного практического исследования возникает задача обоснованного выбора наиболее подходящего из них. Еще одна проблема в данной области — оценка качества получаемого результата и выбор количества групп — кластеров, которое является входным параметром для большинства алгоритмов [5]. Таким образом, задача построения эффективной тарифной политики разбивается на две подзадачи: техническую и экономическую. Решение экономической задачи состоит в оценке стоимости внедрения и сопровождения предлагаемых продук
4

IT-бизнес Анализ финансового рынка

ПРИКЛАДНАЯ ИНФОРМАТИКА

№1(31)2011

тов, а решением технической задачи становятся сбор и анализ имеющейся информации с помощью одного или совокупности методов фактографического анализа.

        Методика адаптивной кластеризации (ADAKL)

   В связи с тем, что на сегодняшний день отсутствует достаточное количество практических рекомендаций по применению существующих методов в данной предметной области, а методов достаточно много, была разработана методика адаптивной кластеризации, направленная на решение этой

задачи, общая схема которой представлена на рис. 1.
   На первом этапе методики производится выборка исходных данных для проведения анализа. Описанная выборка может осуществляться с помощью различных средств: построение регулярных запросов, получение сведений в различных системах оперативного, аналитического учета и т. п.
   На втором этапе проводится исследование полученной выборки с целью выявления значимых объектов или их характеристик, которое выполняется на основе существующих методов, например, статистических данных, понижения размерности с помощью

И. М. Нейский,А. Ю. Филиппович

Рис. 1. Структурная схема методики адаптивной кластеризации

5


    IT-бизнес К> Анализ финансового рынка

ПРИКЛАДНАЯ ИНФОРМАТИКА

№1(31)2011

факторного анализа, устранения незначащих характеристик посредством корреляционного анализа, выявления дубликатов и противоречий и т. п.
   Третий этап включает разработку контрольного примера, который будет исполь
зован для проверки эффективности метода с привлечением носителей экспертных знаний в исследуемой области.
   На четвертом этапе выполняется выбор метода кластерного анализа (рис. 2). Можно использовать существующие методы кла
Начало

Разработка тарифной политикидля клиентов брокерского обслуживания на базе методов адаптивной кластеризации


 
Шаг 1. Выбор метода кластерного анализа
1. На основе существующих рекомендаций по исследованию предметных областей и задач.
2. На основе критериев.
3. Общий алгоритм.
i
Шаг 2. Настройка параметров выбранного метода кластерного анализа

* объем обучающего множества;
* объем валидационного множества;
* объем тестового множества;
* количество атрибутов входного набора данных;
* тип атрибутов входного набора данных;
* степень используемости атрибутов входного набора данных

* количество кластеров;
* алгоритм выполнения дополнительной кластеризации;
* пороговое значение остановки работы алгоритма;
* способ выбораначальных центров;
* максимальное количество итераций;
* количествоодновременно обрабатываемых данных;
* количество предварительных разделов;
* коэффициентудаленности

* способ определения расстояния между кластерами;
* метод оценки качества кластеризации;
* пороговое значение для методаоценки качества кластеризации;
* начальное пороговое значение алгоритма;
* процентаномалий (выбросов) в полном объеме;
* разделяющая функция;
* скорость обучения сети

Характеристические параметры

Итерационные параметры

Экспертные параметры

Шаг 3. Анализ массива фактографических данных

Аналитическая оценка

Кластерный анализ

Оценка полученного разбиения

Индекс оценки 1

Индекс оценки 2

Индекс оценки к

Рис. 2. Алгоритм выбора метода кластерного анализа

6

IT-бизнес Анализ финансового рынка

ПРИКЛАДНАЯ ИНФОРМАТИКА

№1(31)2011



стеризации или метод адаптивной класте- После выбора метода кластерного ана-ризации ADAKL (рис. 3), предложенный ав- лиза осуществляются кластеризация пол-торами настоящей статьи.               ного объема данных и получение результа

Рис. 3. Этапы реализации метода ADAKL

7

И. М. Нейский,А. Ю. Филиппович


    IT-бизнес К> Анализ финансового рынка

ПРИКЛАДНАЯ ИНФОРМАТИКА

№1(31)2011

Разработка тарифной политикидля клиентов брокерского обслуживания на базе методов адаптивной кластеризации

та в виде конечного разбиения множества исходных объектов на кластеры.
   Выбор метода кластеризации представляет собой циклическую структуру, поэтому по итогам третьего шага производится оценка достижения требуемого уровня качества разбиения. Если этот уровень достигнут, то искомый метод получен. В противном случае необходимо выполнить переход на второй шаг для донастройки выбранного алгоритма или переход на первый шаг для выбора нового метода и продолжения исследования.
   После анализа существующих методов и алгоритмов [5] для решения поставленной задачи из инструментов кластеризации были выбраны теория графов и нечеткая логика. Определяющим фактором в такой комбинации является способность при использовании графов выделять кластеры произвольной формы и оптимальной структуры, а при привлечении математического аппарата нечеткой логики решается задача разделения объектов с лингвистическими атрибутами. За основу данного алгоритма в части первичного разделения объектов на кластеры взята идея метода MST [6], использующего минимальные остовные деревья, и метода Fuzzy C-means [7].
   На их базе разработан метод ADAKL, в котором применяется оценочная функция разбиения, повышающая качество проводимой кластеризации. Вычисление глобального критерия делает алгоритм кластеризации во много раз более быстродействующим, чем с привлечением локального критерия для парного сравнения объектов.
   Совокупность задействованных методов и алгоритмов помогает преодолеть недостатки каждого из них. Для MST применение нечеткости позволяет выполнить более плавное разбиение путем помещения объектов в разные кластеры с различной степенью принадлежности. Для Fuzzy C-means предварительное использование MST и модифицированного критерия оптимальности дает возможность сократить ко

личество итераций исследования входного набора данных, а следовательно, и снизить временные, человеческие и технические затраты.
   Оценка качества в методе ADAKL выпол

няется на основе локального критерия с ис

пользованием полученных центров класте

ров:

                V1-& р,Г- «Л
     у_________________________________
     ^J                       m
     ■ЧН k*- «.I    ':(I к*- «J )Х V*- Ф
J             . ,IS /=1

О*■

m - * *■


где *— количество кластеров;
m — количество объектов кластеризации;
Ц*'| — количество элементов в кластере i; нр. — степень принадлежности i-го объекта к.-му кластеру;
р — размазанность кластеров;
||ц*'-«\(■ Metric(Vi*’,«) — расстояние от центра кластера i до элемента «;
« е V* — отражение условия о принадлежности элемента к кластеру.

   Для разработанного метода проведена аналитическая оценка сложности, которая показала квадратичную зависимость от количества исследуемых объектов и линейную зависимость от количества атрибутов и кластеров:
   а) слинейнойнормализацией:
О(m -(а + b + Lg(m) + q));
   б) со статистической нормализацией:
О(m -(а + b + Lg(m²) + q)).
   Предложенный метод имеет следующие достоинства:
   • двухэтапная кластеризация позволяет выделить большее количество закономерностей;
   • способность работать с лингвистическими атрибутами объектов решает проблему применения экспертных оценок и текстовых атрибутов объектов;

8

IT-бизнес Анализ финансового рынка

ПРИКЛАДНАЯ ИНФОРМАТИКА

№1(31)2011

   •    использование весовых коэффициентов для анализируемых атрибутов дает возможность не менять результирующий набор данных и работать со всем массивом, варьируя влиянием атрибута на результат анализа;
   •   учитывая степень удаленности объек-тов/элементов, можно соотносить объекты по кластерам при разделении на основе вычисленного расстояния;
   •   размазанность кластера обеспечивает определение четкости получаемых границ кластеров;
   •   применяемый критерий оценки разбиения на кластеры учитывает требования и специфику предметной области.
   Вместе с тем предложенный метод характеризуется квадратичной зависимостью ана

литической сложности алгоритма от количества исходных данных по объектам кластеризации, что существенно увеличивает временные затраты при регулярном появлении новых данных и повторной кластеризации.
   Частично преодолеть этот недостаток возможно за счет специальной процедуры докластеризации (рис. 4), которая определяет необходимость повторного запуска исследования полного массива данных и в случае отсутствия признаков появления новых значимых групп объектов осуществляет распределение новых (расширяющих) объектов по имеющимся кластерам. Для расширения исходных данных в процессе проведения анализа нужно произвести дополнительное исследование добавляемых данных.

И. М. Нейский,А. Ю. Филиппович

Набор данных

ADAKL

Докластеризация

Набор данных 2

Рис. 4. Этапы докластеризации дополнительного набора данных

Итоговые кластеры 1

Итоговые кластеры

9


    IT-бизнес К> Анализ финансового рынка

ПРИКЛАДНАЯ ИНФОРМАТИКА

№1(31)2011

   Оценочная функция в этом случае рассчитывается следующим образом:


Г               ~
X |А- Avg [А ]||
о = 1 -И_______________•
¹   ) г ’


          Xh- Avg [ в ]| I²
о = 1 Ц=----
       ² ! о


Разработка тарифной политикидля клиентов брокерского обслуживания на базе методов адаптивной кластеризации

где 0₁,О₂ — оценочная функция исходного набора данных 1 и 2 соответственно^
А, В — исходные наборы данных 1 и 2 соот-ветственно^
г, о — количество объектов в исходных наборах данных 1 и 2 соответственно^
||А, - Avg[А]||, |В, - Avg[В]|| — оператор вычисления расстояния между объектом и средним значением множества, полученного с использованием оператора вычисления среднего значения основного алгоритма.

   Для оценки работоспособности ADAKL в сравнении с другими алгоритмами были проведены три основных и одна дополнительная серии экспериментов:
   1)    выделение секторов инвестирования с помощью анализа показателей финансовых инструментов^
   2)    выделение групп клиентов на основе статистических данных о деятельности клиентов за периода


   3)   выявление категорий финансовых инструментов для оценки эффективности операций
   4)   выделение классов автомобилей на основе данных о максимальной скорости, цвете кузова, сопротивлении воздушному потоку, массе.
   Исследование проводилось с помощью трех методов:
   1)   самоорганизующиеся карты Кохоне-на^
   2)   алгоритм к-средних^
   3)   методADAKL.
   Полученные результаты с усредненными оценками разбиений приведены в табл. 1.
   В соответствии с итоговой оценкой, представленной в таблице, можно сделать вывод, что наилучшее разбиение на исследованных массивах по сериям экспериментов получено с применением разработанного метода ADAKL. Проведенные эксперименты подтвердили, что использование интеграции методов кластеризации (многоэтапная кластеризация) улучшает качество выявления знаний в сравнении с одноэтапными методами, а также то, что превосходство данного метода достигается за счет привлечения математического аппарата нечеткой логики и внутренних словарей системы при определении информационных расстояний между объектами.
   На основе метода ADAKL было разработано программное решение, с помощью ко
Средневзвешенная оценка разбиений

Таблица 1

                            Средневзвешенная оценка    Средневзвешенная оценка          
^Х Оценка Средневзвешенная    разбиения с заданным      разбиения с заданным    Итоговая
Метод X.  оценка разбиения   количеством кластеров      количеством кластеров    оценка 
                           (без учета лингвистических (с учетом лингвистических         
                                   атрибутов)                атрибутов)                 
  Карты        0,7913                0,9150                    0,9237           0,8767  
Кохонена                                                                                
Алгоритм        ---                  0,8232                      ---            0,8232  
к-средних                                                                               
  ADAKL        0,9762                0,9981                    0,9990           0,9911  

10

IT-бизнес Анализ финансового рынка