Гибридный подход на основе когнитивного картирования и регрессионного анализа для прогнозирования в сложных слабо формализованных системах

В статье представлен оригинальный гибридный подход, объединяющий нечеткие когнитивные карты и регрессионный анализ для прогнозирования в слабо формализованных системах, характеризующихся высокой степенью неопределенности и сложными, неструктурированными взаимосвязями между переменными. Основная идея подхода заключается в использовании экспертных оценок, выраженных через лингвистические переменные и нечеткие числа, для адаптации весовых коэффициентов регрессионной модели. Полученные веса, рассчитанные на основе когнитивного анализа, интегрируются в процедуру многопараметрической линейной регрессии с использованием взвешенного метода наименьших квадратов. Это позволяет повысить точность прогнозов и улучшить интерпретируемость модели. Результаты эмпирического исследования, проведенного в статистической среде R, демонстрируют, что предложенный подход превосходит (MAPE=10.21%) не только классические одиночные методы прогнозирования, такие как линейная регрессия (MAPE =13.80%), а также нейросетевые подходы, например, многослойный персептрон (MAPE =31.24%), но и успешно конкурирует с ансамблевыми методами, включая случайный лес (MAPE = 12.35%) и градиентный бустинг (MAPE = 7.75%). Данный подход может быть успешно применен для прогнозирования объемов поставок газа в Китай, а также для решения других задач, требующих интеграции качественных и количественных данных.

1. Кулинич А.А. Систематизация когнитивных карт и методов их анализ // Труды VII Международной конференции "Когнитивный анализ и управление развитием ситуаций (CASC’2007)". М.: ИПУ РАН, 2007. С. 50-56.

2. Борисов В. В., Федулов А. С. «Совместимые» нечеткие когнитивные карты // Системы компьютерной математики и их приложения, 2016. №. 17. С. 41-43.

3. Axelrod R. Structure of decision: The cognitive maps of political elites. Princeton, NJ: Princeton University Press, 1976. 422 p..

4. Арутюнов А. Л., Иванюк В. А., Цвиркун А. Д. Разработка инструментальных средств прогнозирования в социально-экономических системах // Управление развитием крупномасштабных систем, 2015. С. 241-293.

5. Kosko B. Fuzzy cognitive maps // International journal of man-machine studies, 1986. V. 24. №. 1. P. 65-75.

6. Eng K., Chen Y. Y., Kiang J. E. User’s guide to the weighted-multiple-linear-regression program (WREG version 1.0) // US Geological Survey Techniques and Methods, 2009. book 4, A8, 21 p.

7. Романов Р.М., Гусева А.И. Прогнозирование с использованием нечётких когнитивных карти экспертной информации // GSOM Economy and Management conference 2024. Conference book. St. Petersburg, SPSU, 2024 P. 399-406.

8. Бабешко Л. О., Орлова И. В. Эконометрика и эконометрическое моделирование в Excel и R: учебник. М.:ИНФРА-М, 2025. 300с.

9. Poczeta K., Papageorgiou E. I. Energy use forecasting with the use of a nested structure based on fuzzy cognitive maps and artificial neural networks // Energies, 2022. V.15. №. 20. P. 7542.

10. De G., Gao W. Forecasting China’s natural gas consumption based on AdaBoost-particle swarm optimization-extreme learning machine integrated learning method // Energies, 2018. V.11. №. 11. P. 2938.

11. Christodoulou P., Christoforou A., Andreou A.S. A hybrid prediction model integrating fuzzy cognitive Maps with Support vector machines // International Conference on Enterprise Information Systems. SCITEPRESS, 2017. V.2. P.554-564.

12. Ротштейн А. П. Нечеткие когнитивные карты в анализе надежности систем // Надежность, 2019. Т.19. №. 4. С. 24-31.

13. Подгорская С. В. и др. Построение нечетких когнитивных моделей социально-экономических систем на примере модели управления комплексным развитием сельских территорий // Бизнес-информатика, 2019. Т.13. №. 3. С. 7-19.

14. Karatzinis G. D. et al. Fuzzy cognitive networks in diverse applications using hybrid representative structures //International Journal of Fuzzy Systems, 2023. V.25. №.7. P. 2534-2554.