Mesterséges intelligencia kutatások az elôrejelzésben

Magyar Internetes Agrárinformatikai Újság N^o 04	HU ISSN 1419-1652
<SZÖVEGES NAVIGÁCIÓ> <NAVIGATION WITHOUT GRAPHICS> <IMPRESSZUM> <AKTUÁLIS> <ARCHÍVUM> <HAZAI TÉMÁK> <NEMZETKÖZI ROVAT> <SZOLGÁLTATÁSOK>

Mesterséges intelligencia kutatások hasznosítása az elorejelzés készítésében Mesterséges intelligencia kutatások hasznosítása az elõrejelzés készítésében

Pásztor Márta Zsuzsanna
egyetemi tanársegéd

Gödöllõi Agrártudományi Egyetem
Gazdaság- és Társadalomtudományi Kar
Gazdasági Informatika Tanszék

Tartalomjegyzék

Tartalomjegyzék *

1. Bevezetés *

2. A Mesterséges intelligencia jelentõsége *

3. Függvény- és Mintázatgenerátor *

3.1. Az eljáráscsalád módszertana *

3.2. Módszeralkalmazási esettanulmány mezõgazdasági termékek termelésének és kereskedelmének adatbázisán *

3.3. Alkalmazás a paradicsom várható termésmennyiségének és öntözési szükségletének elõrejelzésében *

3.4. Alkalmazási esettanulmány az árutojás árának prognózisára *

4. (Trianguláris) WAM módszerrel készített elõrejelzések * 4.1. A WAM eljárás technikája *

4.2. Alkalmazás a tenyésztett és a vadon élõ állatállományok létszámalakulására *

4.3. Olajipari termékek árelõrejelzése WAM módszerrel *

5. Hasonlósági függvények alkalmazása (CBR és AAA) * 5.1. Módszertan *

5.1. Módszeralkalmazás az értékpapírpiac árainak elõrejelzésére *

5.2. Portfólió összeállításának támogatása CBR módszerrel *

6. Összegzés *

Irodalom *

1. Bevezetés A mesterséges intelligencia (MI) módszerek többféle típusát fejlesztettük és teszteltük a Gödöllõi Agrártudományi Egyetem Gazdaság- és Társadalomtudományi Karának Gazdasági Informatika Tanszékén az elmúlt években.

A vizsgálatok során az adott MI módszer elõrejelzõ képességét hasonlítottuk össze más, hagyományosnak számító matematikai-statisztikai módszerekkel, illetve bizonyos esetben a szakértõi elõrejelzéseken alapuló prognózisokkal. A vizsgált módszerek sokfélesége, és az összehasonlításra általánosan alkalmazható elvek hiánya miatt, az elõrejelzõ képességek mérésénél általában az képezte az összehasonlítás alapját, hogy az összes lehetséges esetben hány alkalommal jelzi helyesen a változás irányát az adott módszer.

E kutatásokból összeállított esettanulmányok segítségével szeretnék rámutatni a mesterséges intelligencia kutatásokban rejlõ alkalmazási lehetõségekre az elõrejelzések készítésében.

2. A Mesterséges intelligencia jelentõsége A számítógép megjelenése óta a kutatókat mindig is foglalkoztatta a GPS (General Problem Solver, az általános érvényû problémamegoldás) gondolata. Néhány eufórikus és szkeptikus fázis után mára letisztulni és kikristályosodni látszik egy újszerû világkép (a mesterséges intelligencia, artificial intelligence), melynek jelen tanulmány szempontjából tekintett lényege a klasszikus statisztikai-matematika önkorlátozó jellegének feloldása révén olyan új ismeretszerzési és ismeretábrázolási formák kidolgozása, melyek segítségével régóta ismert feladatok új megvilágításba kerülhetnek.

Mesterséges intelligencia kutatásnak nevezhetõ – a legegyszerûbb megközelítés szerint – mindaz, ami a számítógépet képessé teszi arra, amit eddig csak az ember tudott (pl. kép-, hangfelismerés, sakkjáték, elemzés, stb.). A definícióból adódóan a mesterséges intelligencia kutatásnak számtalan területe létezik, ezek között az egyik a problémák konkrét tartalmi vonatkozásaitól mentes automatikus ismeretszerzés (context free automatical knowledge acquisition), ezen belül is számtalan látszólag egymástól nagyban különbözõ eljáráscsalád (technika) alakult ki.

A “context free” jellegnek és a módszertani karakternek megfelelõen az alkalmazási területek szinte felölelik a valóság teljességét. Ezen belül azonban az egyik legperspektivikusabb feladatcsoportot a prognosztikai feladatok jelentik.

A prognosztika alapkérdései nagyon egyszerûek: Hogyan és milyen pontossággal lehet a valóságról eddig rendelkezésre álló tapasztalatok (objektum-attribútum-idõ-érték-tömb) alapján tetszõleges objektum tetszõleges attribútumának tetszõleges idõbeli értékét (várható intervallumát, a változás irányát) levezetni?

A megoldás lehetõségének elvi alapját a “megzabolázott” kombinatorikai robbanás jelenti. Más megközelítésben ez úgy fogalmazható meg, hogy adott keresési cél esetén a lehetséges megoldások (függvények) halmazának hatékony szûkítésére létrejött technikák alapján egy relatíve gyors és fokozatos közeledés biztosítható a megcélzott összefüggésformák felé. Így a számítógép segítségével olyan – a komplex jelenségeket is jól közelítõ – összefüggések is feltárhatók, melyek létezése az ember elõtt esetleg örökre rejtve maradt volna (pl. idõjárás-elõrejelzés, árprognózisok).

A józan kritika oldaláról közelítve a mesterséges intelligenciák adta lehetõséghez el kell mondani, hogy a hatékony technikák elméleti korlátja pontosan az egyetlen kiindulási feltételben keresendõ, vagyis abban, hogy senki és soha nem tud olyan célfüggvényt megfogalmazni, mely magától értetõdõen biztosítja azt, hogy a múltbeli adatokra vonatkozó (ex post) modelleredmények a jövõben is legalább ilyen szinten igazak legyenek. Vagyis nem helyálló a hétköznapi logikai megközelítés, miszerint ami a múltban elég sokszor igaz volt, az egy törvényszerûség, tehát a jövõben is általában igaz lesz.

3. Függvény- és Mintázatgenerátor 3.1. Az eljáráscsalád módszertana A Függvény- és Mintázatgenerátor két, hasonló elven mûködõ, legjobban mesterséges neuronális hálókhoz (MNH) hasonlítható eljárás. Legfontosabb tulajdonságuk, hogy nem parametrizált függvénykapcsolatokkal dolgoznak, hanem véletlenszerûen választott mûveletekkel állítják elõ a függvényt. Mûködésük során a (1. ábra) meglévõ adatokat általában egy nagyobb tanuló, és egy kisebb tesztadat részre osztjuk a tanuló – input – adatokat transzformálva hipotézisfüggvényt hoz létre (összefüggés keresés). A tanulásban elért függvény illeszkedésének helyességét a tesztadatokon vizsgáljuk.

1. ábra
A Függvénygenerátor mûködési vázlata

A függvény adatsorhoz való optimális illeszkedésének a futtatási idõ, illetve a felhasználó (alkalmazó) igényei szabnak határt. Általánosságban megállapítható, hogy amennyiben a tanulás során a legteljesebb illeszkedésre törekszünk életbe lép a “túltanulás” jelensége, vagyis a tanuló adatokra “tökéletesen” illeszkedõ függvény nagyon gyengén közelíti a tesztadatok alakulását. Fontos tehát megtalálni azt a függvényt, amikor a két adatbázist megközelítõen ugyanolyan pontossággal írja le. Az elõrejelzések során ez biztosítja a legeredményesebb (a valóságot legjobban közelítõ) prognózist.

A függvénygenerátor az eljárás alapját képezi (Pitlik, 1994/a), a mintázatgenerátor a függvénygenerátor outputadataira épülve, azok statisztikai jellegû kiértékelésével javíthatja az elõrejelzés helyességét (Pitlik, 1994/b).

3.2. Módszeralkalmazási esettanulmány mezõgazdasági termékek termelésének és kereskedelmének adatbázisán A Függvény- és Mintázatgenerátor elõrejelzési képességeit hasonlítottam össze más statisztikai módszerekkel – Markov lánc, Exponenciális simítás, Mozgóátlagok módszere, “Egyszerû trend”, Analitikus trendszámítás – elõállítható (Pásztor, 1995), illetve szakértõk által becsült (Pásztor, 1997/a) elõrejelzésekkel.

A vizsgálatokat minden esetben a Food and Agricultural Organization (FAO) éves (1981-1991) jelentései alapján a búza-, kukorica-, baromfi-, szarvasmarha termelés, export és import – a világ összes, és kategóriánként vezetõ tíz ország – adatainak felhasználásával végeztem. Az adatok nagy részét a tanulási részben használtam, két év adatai szerepelnek a tesztben.

Az elõrejelzésben a jövendõbeli változás irányát (növekedés, illetve csökkenés) a MI módszerek a többi eljáráshoz viszonyítva jóval nagyobb arányban “találták el”, a mintázatgenerátor átlagosan 80%-os eredményt produkált, egyes problématípusoknál meghaladta a 90%-ot, a legjobb statisztikai módszer, az analitikus trendszámítás segítségével elért maximális találati arány 62%.

A szakértõi becslések átlaga jóval alatta maradt a legegyszerûbb logikai módszerrel következtethetõ releváns szintnek, és csak egyetlen ember érte el a mintázatgenerátor által felállított elõrejelzési szintet (Pásztor, 1997/b).

3.3. Alkalmazás a paradicsom várható termésmennyiségének és öntözési szükségletének elõrejelzésében A vizsgálatok során Popovics (1995) 20 év idõjárási (napi minimum, maximum hõmérséklet és csapadékadatok) és évenként 4 kezelés (azaz 80 különbözõ vízellátottságú állomány) termésének adataiból álló adatbázison különbözõ cél- és szükségszerû összevonások után a függvénygenerátorral végzett elõrejelzési kísérleteket. A kísérletben az adatok kétharmadát a tanulásban használta fel, az utolsó harmad képezte a tesztadatokat.

A prognózisok két területen megfigyelhetõ változások elõrejelzésére készültek. Az elsõ a paradicsom várható termésmennyiségének becslésére vonatkozott, erre a célra a függvénygenerátor nem bizonyult alkalmasnak, mivel a termésmennyiség évenként nagy ingadozást mutat, de többnyire egy átlag körül mozog, a tanulási algoritmus nem kezeli a szabálytalan idõközönként kiugró értékeket (a tanulásban nulla súllyal kezeli, azaz figyelmen kívül hagyja).

A másik vizsgálati terület az öntözési igény elõrejelzése, ahol az adott év alapján a következõ év vízpótlási igényének megfelelõ (szükséges lesz-e, vagy sem) prognózisa volt a cél. A tanulási folyamatban 92%-os eredményt hozott a függvénygenerátor, a tesztben minden esetet eltalált.

3.4. Alkalmazási esettanulmány az árutojás árának prognózisára Az árutojás árának prognózisa során Szabó (1995) egy tipikus piaci termék értékmérõjének elõrejelzését kísérelte meg. A rendelkezésre álló adatbázis 196 munkanap során összegyûjtött árutojás felhozatal mennyisége, piaci minimum, maximum, és átlagár adatokat tartalmazott. A tanuláshoz-teszthez felezte az adatbázist, az elsõ fél év adatain tanult a függvénygenerátor, a másodikon tesztelt.

Kérdésként az merült fel a vizsgálat során, hogy az árutojás ára nõ, vagy csökken az utolsó ismert áralakulás utáni negyedik kereskedési napon. A több mint 80%-os tanulási eredmény után a tesztben 65%-os biztonsággal klasszifikálhatónak bizonyult a függvénygenerátor alkalmazásával. A felhozott mennyiség tekintetében végzett vizsgálat ennél is jobb, 70%-os biztonsággal jelezte elõre, hogy növekszik-e a piacra kerülõ termék mennyisége.

4. (Trianguláris) WAM módszerrel készített elõrejelzések 4.1. A WAM eljárás technikája A trianguláris WAM (Weight-Activity-Modell = Súlyok és aktivitások) módszer lényege, hogy az alapadatok transzformációjával létrehozunk egy olyan idõsorosan oszloponként egy helyi értékkel elcsúsztatott mátrixot, amely az egymás után idõben következõ adatok egymáshoz viszonyított növekedését (1), illetve csökkenését (0) tükrözi. Ezekhez véletlenszerûen generálunk egy számot, és egy mûveleti jelet, majd e három érték (0/1, a hozzá tartozó szám és mûveleti jel) összefûzésével újabb mátrixot kapunk. Ennek a mátrixnak a visszanyúlási mélységnek megfelelõ sor és oszlopértékeinek összegzésével kapjuk a változás irányát jelzõ értéket, ha összehasonlítjuk a véletlenszerûen generált küszöbértékkel, mely a mátrix minimum és maximumeleme között helyezkedik el (0/1), ha az elsõ mátrixban található értékkel megegyezik az adat, akkor jó az elõrejelzés. 4.2. Alkalmazás a tenyésztett és a vadon élõ állatállományok létszámalakulására A trianguláris WAM eljárással készített elõrejelzéseket Farkas (1996), és összehasonlította más algoritmikus módszerekkel készített elõrejelzésekkel (Lineáris trendszámítás, Hárompontos mozgóátlagolás, Exponenciális simítás). Adatbázisként a hazánkban tenyésztett legfontosabb állatfajok – szarvasmarha, sertés, ló, juh, tyúk, liba, kacsa, pulyka –, valamint a vadállomány – szarvas, dámvad, õz, muflon, vaddisznó, mezei nyúl, fácán, fogoly – állományi létszámának alakulását vette 1960-1994 között.

A trianguláris WAM vizsgálatok az állatállományok növekedésének, illetve csökkenésének elõrejelzésére vonatkoztak, tehát a változás elõjele volt a kérdés.

A vizsgálat 1-11 évig terjedõ visszanyúlásra – heurisztikus mutatószám képzés – készült el, egy éves elõrejelzésre a különbözõ visszanyúlásokra vonatkoztatott legjobb találati arányok (a legrosszabb találatok inverzét is számítva) 76-97% között mozognak, átlagosan több mint 82%-os aránnyal. Két és három évre elõre történõ prognózisnál az átlag valamennyi állatfajt figyelembe véve 78-97% között ingadozik, átlagban több mint 85%. Minden állatfaj legjobb elõrejelzési eredményeit figyelembe véve átlagosan 87%-os találati arány érhetõ el. Ez átlagosan 12%-al haladja meg a más vizsgált módszerekkel elérhetõ eredményt.

4.3. Olajipari termékek árelõrejelzése WAM módszerrel Az 1988 januárja és 1996. márciusa között kialakult mediterrán térségi USD/t-ben kifejezett jegyzések havi átlagárait vette alapul Monori (1996) hat kõolajipari termék (szuperbenzin, gázolaj, kerozin, vegyipari benzin, 1%-os és 3,5%-os fûtõolaj) és a Kõolaj Brent esetében, elõrejelzési vizsgálatának adatbázisához.

A WAM módszer az egyszerû döntési algoritmusoknál (véletlenszerû találgatás, illetve az árak monoton növekedését, vagy csökkenését feltételezve), valamint a lineáris trendszámításnál is relevánsan jobb eredményt produkált, az össze feldolgozott eset mintegy kétharmad részében “eltalálva” a különbözõ termékek árváltozásának irányát.

5. Hasonlósági függvények alkalmazása (CBR és AAA) 5.1. Módszertan Az eset alapú következtetés (CBR = Case Based Reasoning) az emberi gondolkodás algoritmikus közelítésével mûködik, a múltbéli események (esetgyûjtemény) között keres olyan jelenséget, amely hasonlít a jelenbeliekhez, és a múltban hasonló után következõ eseménye(k) – a hasonlóság alapján megfelelõen transzformálva – képezi(k) az elõrejelzési értéke(ke)t. Az adatptív autonóm ágensek (adaptív döntési automaták, AAA) a hasonlóság gondolatvilágából kiindulva müködnek, de futás közben a jelen események folyamatos feldolgozásra kerülnek (bõvítve az esetgyûjteményt), és a hasonlóság dinamikus újraértelmezésre kerül. Így a jelenben zajló események folyamatosan befolyásolják az elõrejelzést. 5.1. Módszeralkalmazás az értékpapírpiac árainak elõrejelzésére A módszer kipróbálására az értékpapírpiac árainak elõrejelzése során került sor. A CBR módszer értékpapírpiaci alkalmazásának elméleti alapjait Heves (1997) írta le, a mûködõ autonóm adaptív ágens alkalmazások elkészítése Bunkóczi (1998) munkája.

A vizsgálat alapjául a Budapesti Értéktõzsde (BÉT) 46 értékpapírjának 1996-97 évi árfolyam, és forgalom adatai szolgáltak.

A döntési automaták által az adott adatbázison elért eredmények arra mutatnak, hogy az egyéb módszerekhez képest az elõrejelzési képesség nem is javul számottevõen, a valós adatokhoz képest kevésbé szóródnak a CBR módszerrel számított értékek. A legjobb automata által adott prognózist további feldolgozással (szakértõi rendszerrel kombinált CBR) jó elõrejelzési eredményt produkáló portfóliók állíthatók össze.

5.2. Portfólió összeállításának támogatása CBR módszerrel Hosszabb idõszakra vonatkozó portfóliók összeállítására készített eljárás (Pitlik, 1998) két részbõl áll, az elsõ hagyományos statisztikai módszerekkel hozam szerint rangsorolja a részvényeket eltérõ befektetési idõszakokra. A második lépésben a legjobbnak bizonyult részvények részhalmazán 2-6 hétre vonatkozó elõrejelzés készül, a vételre javasolt, illetve nem javasolt részvényeket eltérõ színekkel megjelölve. A vizsgálat során 430 kereskedelmi nap adatai álltak rendelkezésre a tanuláshoz, és 34 nap a teszteléshez. A becslések két hét után ellenõrizve 79%-os beválást mutattak 19 részvényre vonatkoztatva. Az egyes részvények megítélése alapján a potenciális befektetõ egyéni kockázatvállalásának megfelelõen választhat közöttük. Ez az eljárás képezi a magját a jelenleg tesztelés alatt álló Internet alapú tõzsdei szolgáltatásnak (STOCKNET, by EcoControl&Pitlik), mely lehetõséget teremt a felhasználónak ara, hogy a kliens oldalon telepített program segítségével a szerveroldali adatbázisokból (FORNAX, REUTERS) a számára releváns adatok leválogatássa és az optimalizáló elõrejelzõ rutin kezdõparamétereinek beállítsa (visszanyúlási mélység, elõrejelzendõ intervallum, tesztelés módja), majd a szerver által elvégzett elõrejelzést lokálisan értelmezze. Az gépi elemzés eredménye az utolsó ismert árfolyamadathoz illesztett adott hosszúságú görbe. EzEz az

Összegzés

A bemutatott esettanulmányok, a különbözõ adatbázisokon elvégzett más-más mesterséges intelligencia módszerekkel végzett elõrejelzések egyéb módszerekhez viszonyított eredményessége igazolja a módszer hasznosságát. A prognosztizált értékek azonban csak akkor telnek meg értelemmel, ha a különbözõ szintû döntéshozók felhasználják ezeket munkájukban, azaz bíznak az elõrejelzés pontosságában, és ez alapján döntenek.

A módszertannal támogatott elõrejelzések akkor jelenthetnek valódi konkurenciát az intuitív döntéshozóknak, ha õk kénytelenek szembesülni az általuk vélt jövõkép megvalósulásának helyességével (Pitlik, 1996).

Ideális jövõképnek tehát az tekinthetõ, ha a szakértõi intuíciót, ösztönös tanulóképességet ötvözzük a számítógépes programok precizitásával, nagy adatfeldolgozó képességével és gyorsaságával (Pásztor, 1997/a; Pitlik, 1998).

Irodalom

Bunkóczi, L. (1998): Hagyományos és mesterséges intelligencia alapú tõzsdei prognózisok, valamint erre épülõ döntési automaták kísérleti fejlesztése, diplomadolgozat, GATE, Gödöllõ

Heves, R. (1997): Tõzsdei prognózisok CBR-technikával, diplomadolgozat, GATE, Gödöllõ

Farkas, M. (1996): Algoritmikus elõrejelzések megbízhatósága és alkalmazása mezõgazdaságban, TDK dolgozat, GATE, Gödöllõ

Monori, E. (1996): Információs logisztikai esettanulmány a kombinatorikai prognosztika módszertanának bázisán, logisztikai szakdolgozat, GATE, Gödöllõ

Pásztor, M. Zs. (1995): Prognosztikai módszerek összehasonlító vizsgálata és alkalmazásuk a marketingben, OTDK dolgozat, GATE, Gödöllõ

Pásztor, M. Zs. (1997/a): Intuitív és algoritmikus prognosztikai módszerek összehasonlító elemzése, OTDK dolgozat, GATE, Gödöllõ

Pásztor, M. Zs. (1997/b): Emberi döntési minták és gépi algoritmusok, “Vállalati környezet és alkalmazkodás az élelmiszertermelésben” Tudományos Konferencia, Gödöllõ, 1997. október 9-10.

Pitlik, L. (1994/a): Új módszertani lehetõség a döntéselõkészítésben, Gazdálkodás 94/2

Pitlik, L. (1994/b): Pattern-Generator, GT Kari Tudományos Napok, Poszter, GATE, Gödöllõ

Pitlik, L. (1994/c): Rendhagyó gondolatok az elõrejelzés módszertanáról, Ipar-Gazdaság, 94/11

Pitlik, L. (1996): Új technikák az automatikus ismeretszerzés gyakorlatához, V. Agrárökonómiai Tudományos Napok, Gyöngyös, 1996. március 26-27.

Pitlik, L. (1998): Hasonlósági függvények elemzési célokra, VI. Agrárökonómiai Tudományos Napok, Gyöngyös, 1998. március 24-25.

Popovics, A. (1995): Az öntözés várható hatása a paradicsom termésmennyiségére, elõrejelzések mesterséges neuronális hálózat segítségéve, diplomadolgozat, GATE, Gödöllõ

Szabó, Zs. (1995): Az árutojás árának prognózisa, TDK dolgozat, GATE, Gödöllõ

DOC version