ГЛАВА VII. МНОГОМЕРНОЕ ПРОГНОЗИРОВАНИЕ /Л. Балансовые модели преступности
Результаты функционирования любой социально-экономической системы находят свое отражение в отчетных взаимосвязанных социально - экономических показателях. Система показателей дает информацию, качественно отличную от той, которую несут отдельные статистические показатели. Рассматривая показатели в системе, можно установить причинно-следственные связи и отношения, имеющиеся в рассматриваемых явлениях.
Как было отмечено выше, преступность можно рассматривать как некоторый социально-экономический процесс, который формируется под влиянием различных социально-экономических явлений. Поэтому, в процессе анализа и прогнозирования преступности представляется целесообразной задача выделения системы социально-экономических фаюоров, оказывающих наибольшее влияние на формирование преступности и изменение динамики ее развития, и построение моделей их взаимосвязей.
Проведенные исследования показали, что наиболее эффективными при решении такого рода задач являются балансовые модели. В основе предлагаемой балансовой модели лежат следующие предположения:
Преступность, в целом, является совокупностью отдельных ви
дов преступлений (в зависимости от классификации преступности,
используемой при построении модели и ее анализе), которые могут
рассматриваться в виде отдельных объекюв.
Каждый объект характеризуется множеством допустимых для
данного объекта (вида преступности) наборов значений факторов,
оказывающих влияние на формирование преступности.
Увеличение числа совершенных преступлений конкретного вида
в несколько раз возможно только при таком же изменении значе
ний соответствующих социальных и экономически.* факторов
(свойство линейности).
Пусть модель преступности описывает п различных видов пре-.стунности. Обозначим эти виды через Р], Р?, ..., pj, . . , Р„. Отдельные виды преступлений можно охарактеризовагь числами, которые равны х(, Полный вектор числа совершенных преступлений
обозначим как Х = {х ,...,х. х }. Для построения модели пре
ступности выберем т влияющих на развитие преступности факто
ров, потребность системы в которых может быть описана вектором
-109-
соответствующих значений G = {g,.-.g,.-.gmb Каждый вид преступности Р> будем характеризовать вектором
1-я компонента которого указывает, какое количество /-го фактора необходимо для совершения одного преступления вида у. Таким образом учитываются предположения (2) и (3). Числа уц будем называть коэффициентами прямых затрат факторов. Влияние факторов на формирование отдельных видов преступлений может быть охарактеризовано матрицей коэффициентов прямых затрат факторов
>u V21 - ¥\j - ¥\п "
У 21 V22 - V2J - V 2*
(7.2)
\¥ ml ¥ ml - V*J ••• ¥ тн/
j-й столбец которой состоит из 'коэффициентов прямых затрат факторов, влияющих на формирование у-го вида преступности, а 1-я строка описывает суммарное влияние фактора /, на формирование преступности в целом.
Если полный вектор числа совершенных преступлений есть X ~{х ,...,* ,...,* }, ю суммарное влияние фактора / на формирование преступности можно определить по формуле;
(1^1,2,.... т). (7.3)
С учетом вышесказанного, балансовая модель преступное! rf будет
Т
иметь вид: X = iff G, (7.4)
7.2, Адаптивные алгоритмы прогнозирования многомерных
временных рядов ,
Представляя обобщенную модель в виде (6.6), мг тем самым рассматривали влияние множества факторов на единственный отклик. При таком подходе задала прогнозирования чножества показателей будет реиться с номшцью множества моделей, причем влияние различных откликов друг аа друга не учитывается. В ю же время, как уже отмечалось выше, любая социально-
-Не-
экономическая система характеризуется множеством показателей, которые должны прогнозироваться одновременно и в тесной взаимосвязи. В данном разделе рассматриваются проблемы прогнозирования многомерных временных рядов на основе математической модели со множеством факторов и откликов. Рассмотрим модель вида [24, 33, 34]
Xln] = ¥'TG[n}+~[n], (7.5)
где Х[п}> G[n] - векторы размерности р и q соответственно, у -(<7>$»)- матрица коэффициентов, S [n] - последовательность взаимно некоррелированных случайных векторов с нулевым средним и ковариационной (р*р) матрицей
R*M{00T}. (7.6)
В данной задаче у и R - матрицы неизвестных параметров, которые должны быть оценены на основании многомерных рядов Х[п], G[n], «=1,2,.... Заметим, что вектор С[п] может содержать как входные переменные g[n] в момент времени, п, так и авто-регрессивные члены, то есть
GT[n]=(G[n},Xr[»- l],Jfr[»-2],,..,l). (7.7)
Запишем (7.S) относительно ошибок, заменив у* его оценкой у
ф,] = ад-ггСМ, 4 (7-8)
и зведем в рассмотрение критерий идентификации
(7.9)
где А- некоторая положительно определенная (р*р) матрица. Предполагается, что неизвестная матрица у* не зависит о'т времени. Однако во многих практических приложениях это не выполняется, поэтому необходимо предусмотреть возможность слежения за изменяющейся матрицей уЛ Простейший прием в этом случае заключается в экспоненциальном взвешивании данных согласно их "возрасту". Тогда критерий (7.9) удобнее рассматривать в виде
где последовательность весов or £1 выбирается аналогично тому, как это показано ранее. Критерий (7.10) может быть записан следующим образом:
Q=
(7.11)
j=l
где /„ - единичная матрица (рф),
Матрица W\n] может быть вычислена согласно рекуррентному соотношению
/ yf «"ІЧ f yf *ï\ *
(7.13)
Если матрица И'іп] представима в виде
Щп} =
(7.14)
то (7. 1 1) можно записать в форме: Q =
где
есть решение матричного уравнения
которое для невырожденной матрицы Н^|я) имеет вид
И«1-^!Лм- (7-17)
Очевидно, что для любой положительно определенной А ми-шшум (7.15) достигается для Іу=у/ [п]. Отсюда tff [п] для <х^\ является оценкой наименьших квадратов у*.
Оценка R може І быть получена из выражения
j\n], (7.18)
где
(7.19) (7.20)
Тогда оценка (7,18) может быть выражена следующим образом:
. г[и]
где
-ИМ,
(7.21)
-112-
«
ri „_ *iyf*F ! ? 4- I /7 'J'%\
При организации вычислительного процесса вместо оценок (7.13), (7.17) и (7.22) удобнее непосредственно рассматривать
СМ-Я&,. (7.24)
Тогда процесс построения многомерной модели может быть проведен по следующим рекуррентным соотношениям:
/*Гм1 — Ґ* fm îl^Twl /7 OjC^
s [и] = Gr[»]C [n - 1К?{и] = С7Г[и]А[я], (7.27)
S2[n]-a2^e [иі, (7.28)
1
-v[«}vr[w],
(7.30)
47.31)
Сам автор настоящего метода В. Петерка.указывает, что хотя данная процедура хорошо обоснована, ничего-не может быть сказано о ее оптимальности 0 статистических свойствах получаемых оценок,
І
которые могут быть получены только в асимптотике. Мы же, со своей стороны, отметим, что с вычислительной точки зрения проце; дура(7,25Н?-31) представляется громоздкой и требующей значительного объема априорной информации. Поэтому разработка более простых процедур прогнозирования многомерных временных последовательностей представляется весьма привлекательной.
Пусть оценка значения прогнозируемого вектора показателей Щп] представиш линейной формой
Х[п]*Ф'Щп-Л (7.32)
гІеДв]==(хІ[пї,Х2[йї,...,хж[й])г - вектор показателей размерности (»к1); Щп, p]™(xi[rhl],xi[n-2])...,xiln-p],x2[n-\]r..,xM[n-p]f- вектор показателей размерности (ран)х1;
-113-
1* p-m
**
•ï
v?i... <pp
- матрица исходных коэффициентов размерности m*(pxm).
Для определения неизвестных коэффициентов матрицы Ф * воспользуемся градиентной процедурой. Коэффициенты матрицы Ф будем определять, минимизируя функционал
(7.33)
Тогда градиентный алгоритм настройки 'оэффициентов матрицы Ф будет иметь вид
Ф[п}= Ф[п-1]-2г [пМ.п]Х* І"- -у], (7.34)
где v[m] = Х[п] -Ф[п- \]Х{п ~ j] - ошибка прогігоза на «-ом шаге. Для определения значения параметра п введем критерий
0{п}=ТгОТ{п-\}9 [п-1}-ТгвТ{п$ [ni (7.35)
Махсяшізадия критерия (7.35) соответствует трео..^«нию наибольшей скорости убывания средней дисперсии оценок коэффициентов матрицы Ф.
Запишем алгориш (7.34) относитгяжо оід'^ок
Т
Умножая выражение (7.36) слева на в {п] и подставляя полученное выражение в (7.35), имеем
Шп]ХТ(п-№[п-\]-
~2ТгГ 2[n}X\n-j}vT[n}v[n}XT[n~j}.
(7.37)
Оптимальное значение у'[п] получаем приравниванием нулю производной критерия @[п} до у [и], т.е. из уравнения
(7.38)
Решая это уравнение относительно у[п], получим
Т[п - j] + Tr vT[n]XT[n -J>r(»M»]^rf» - Л
или с учетом того, что
-114-
-.(7.40)
У l«î=~
2TrX[n - j}vT(n\v[n\XT[n - j] XT[n - j]X[n - J] Найденное -значение у '[п] действительно обеспечивает минимум & [п], так как
= -ТгХ[п -
[л - у] < 0 . (7.4 і )
Окончательно алгоритм (7.34) приобретает вид:
тгх[п~д*гШп]хт[п-Я 1
В частном случае, когда Х[п] - одномерная временная по-
следовательность, т.е.
, , * , *
Х\п -J] , (7,43)
х[п} = >
алгоритм настройки коэффициентов (7.42) имеет вид
(7.44)
т.е. совпадает с алгоритмом Качмажа.
Действительно, записав градиешную процедуру (7.34) для случая (7.43) и повторяя предыдущие рассуждения, получаем, что
if - \\
^-- \}Х(п
j
\n - \\ х (7.45;
Подставляя далее й (7.38) выражение уїл О[п] (7 45; а у: (7.40), находим
v — — tl До '
/ — (, / W s
Цтметим, ч.о данный алгоритм кроме
'. * ;;;л' ' rit ил (uAd^'ï Іщо одним важним І І
Vj =
-116-
л-
їмо
ІЄ%
70 •
«в
60
40-
го
го
r/ройнози/,. Рис. 72
•vl -°~v2
Данный алгоритм был использован для построения модели, связывающей коэффициенты хищений, совершенных путем кражи (>() и хищений, совершенных путем раеграгы (дса) в г. Харькове, которые приведены на рис. 4.2. Характер взаимосвязи между коэффициентом х\ и коэффициентом дг2 был определен системой уравнении
з з
l»-j\
(7 47}
где р і (Л я 1, ,.., 6; / = 1 ,2) - подлежащие определению козффи-циенты.
Нарис. 7.1 представлена динамика факіических значений х\ ндг их ііроіноюв. а на рис 7.2 - динамика ошибок прогноза. Ках следует иі фафяков, процесс прогнозирования каракчернзуегся пе~ риодом обучения со жачатсльнымн ошибками прогноза и периодом слежения, коїла нроінош мало отличаются от фактических значений нокаттелей. Результаты прогнозирования свндеіе Іьству-Іог о тим, чіо применение данного адаптивного алгоритме поэво-яяеі о [споживать нестационарный характер
Î18
«все книги «к разделу «содержание Глав: 13 Главы: < 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.