Информационная система прогнозирования и анализа временных процессов на основе метода двойного коллективного оценивания

Тип работы:
Диссертация
Предмет:
Системный анализ, управление и обработка информации
Страниц:
150


Узнать стоимость

Детальная информация о работе

Выдержка из работы

Актуальность проблемы. Внимание исследователя всегда привлекали методы обработки данных, ориентированные на достаточно низкий уровень априорной информации, что объясняется не только распространенностью в практике подобных условий, но и возможностью построения универсальных информационных средств, не зависящих от природы анализируемых объектов. Указанные особенности свойственны непараметрическим моделям и алгоритмам. Их применение не требует введения системы предположений для подгонки объективной реальности под узкие рамки конкретного метода. Основываясь в значительной степени на обучающихся выборках, они позволяют получить результаты, максимально адекватные действительности.

Актуальным направлением развития теории непараметрических систем является разработка методов моделирования временных процессов по коротким рядам наблюдений их параметров. Подобные условия свойственны многостадийным технологическим процессам, уникальным техническим, социально-экономическим и экологическим системам, которые характеризуются нестационарностью присущих им закономерностей и, как следствие этого, малым объемом исходной информации.

В направлении моделирования систем в условиях априорной неопределенности и, соответственно, малых выборок широкое распространение получили работы А. Г. Ивахненко, В. В. Налимова, В. Н. Вапника, В. Я. Катковника, Б. Эфрона и других исследователей.

В данном случае применение традиционных методов восстановления стохастических временных зависимостей необоснованно и трудно формализуемо. Использование принципов коллективного оценивания представляет собой перспективное направление обхода проблемы малых выборок при исследовании временных процессов.

Методика построения непараметрических моделей коллективного типа статических и временных зависимостей в условиях априорной неопределенности впервые была предложена в работах A.B. Лапко, В. А. Лапко, C.B. Чен-цова, Д. В. Крившича (1996−1998 гг.). Идея данного подхода заключается в построении упрощенных аппроксимаций (не имеющих самостоятельного значения) относительно системы опорных ситуаций из обучающей выборки с последующим их объединением в коллективе с помощью методов непараметрической статистики. При анализе динамических процессов систему опорных ситуаций образуют элементы временного ряда наблюдений их параметров.

В предложенной работе при восстановлении временных зависимостей упрощенные аппроксимации формируются в двух направлениях от начального и конечного элемента временного ряда, что позволяет на их основе построить две непараметрических модели коллективного типа. Организация последних в обобщенной модели осуществляется в виде линейного функционала, тем самым реализуется принцип двойного коллективного оценивания (непараметрический и параметрический). Особенность рассматриваемых моделей временных зависимостей состоит в наиболее полном использовании исходных статистических данных по сравнению с известными и обобщает их.

Завершенный характер исследованию придает реализация непараметрических моделей коллективного типа в виде информационной системы, эффективность которой подтверждается успешным внедрением.

Диссертационная работа выполнялась в рамках грантов Российского фонда фундаментальных исследований № 97−01−1 043, № 00−01−1.

Цель работы. Разработать и исследовать непараметрические модели временных зависимостей, основанные на методе двойного коллективного оценивания для максимального учета исходных статистических данных. Создать на этой основе информационную систему и внедрить ее при анализе социально-экономических процессов и оценке качества изделий.

Цель достигается путем решения следующих задач:

— разработка с позиций двойного коллективного оценивания непараметрических моделей восстановления временных зависимостей по данным коротких рядов наблюдений их параметров-

— исследование свойств непараметрических моделей коллективного типа при моделировании временных зависимостей, решение вычислительных аспектов их применения-

— создание информационной системы, реализующей непараметрические модели восстановления временных зависимостей по коротким рядам наблюдений их переменных-

— применение информационной системы при прогнозировании преступности региона и оценивании качества изделий.

Научная новизна диссертации определяется созданием непараметрических моделей коллективного типа и информационной системы восстановления временных зависимостей, обеспечивающих управляемое сочетание преимуществ параметрических и локальных аппроксимаций. В частности:

— на основе метода двойного коллективного оценивания разработаны непараметрические модели восстановления временных зависимостей по их коротким реализациям, позволяющие в наиболее полном объеме использовать априорную информацию-

— определены аналитические условия преимущества предложенных непараметрических моделей коллективного типа и даны оценки областей их компетентности-

— для линейной системы опорных аппроксимаций разработана оригинальная методика оценивания вклада аргументов в формирование значений восстанавливаемой временной зависимости-

— обоснована структура информационной системы, обеспечивающая комплексное решение проблем анализа временных зависимостей.

Практическая ценность диссертации состоит в адаптации информационной системы при решении проблемы оценивания и прогнозирования показателей преступности региона. Данная система используется в ГУВД Красноярского края для исследования и прогнозирования состояния преступности, определения криминогенных факторов внешних условий и формирования вариантов их изменения с целью последовательного снижения уровня преступности. Результаты работы системы обеспечивают поддержку принятия решений для руководителей органов и управлений внутренних дел при определении профилактических и оперативных мероприятий борьбы с преступностью.

Разработанная система успешно применяется при исследовании эффективности электронасосных агрегатов.

Научные и практические результаты диссертационной работы могут быть использованы при решении следующих задач:

— восстановление временных зависимостей по коротким их реализациям-

— прогнозирование временных процессов в уникальных технических и социально-экономических системах в условиях малых выборок-

— формирование информативных признаков в смежные интервалы времени контроля за параметрами системы.

Методы исследования: аппарат непараметрической статистики, теории адаптивных и обучающихся систем, методы коллективных решений и статистического моделирования.

Автор защищает:

1. Непараметрические модели временных зависимостей, основанные на методе двойного коллективного оценивания, вычислительные аспекты их применения и свойства.

2. Зависимости показателей эффективности модифицированных моделей коллективного типа от объема и степени зашумленности исходной выборки, размерности пространства входных переменных.

3. Информационную систему прогнозирования и анализа временных процессов.

4. Результаты анализа системы при прогнозировании показателей преступности региона в изменяющихся социально-экономических условиях проживания населения и материально-технического обеспечения правоохранительных органов (на примере Красноярского края). Оценку эффективности электронасосных агрегатов в зависимости от их конструктивных особенностей.

Реализация результатов работы. Разработанная информационная система оценивания и прогнозирования показателей преступности региона внедрена в штабе ГУВД Красноярского края и используется в учебном процессе Сибирского юридического института МВД России.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Всероссийских и Международных конференциях: VI Международная конференция & laquo-Информатизация правоохранительных систем& raquo- (г. Москва, 1997) — Всероссийская конференция & laquo-Проблемы информатизации региона. ПИР-98. »- (г. Красноярск, 1998) — Международная конференция & laquo-Правовые и организационно-тактические проблемы борьбы с преступностью в Сибирском регионе& raquo- (г. Красноярск, 1998) — VIII Международная конференция & laquo-Информатизация правоохранительных систем& raquo- (г. Москва, 1999) — Международная конференция & laquo-Правовые и организационно-тактические проблемы борьбы с преступностью в Сибирском регионе& raquo- (г. Красноярск, 1999) — Международная конференция & laquo-Правовые и организационно-тактические проблемы борьбы с преступностью в Сибирском регионе& raquo- (г. Красноярск, 2001).

Публикации. По теме диссертации опубликовано 12 печатных работ.

Структура и объем работы. Диссертационная работа представлена на 150 страницах машинописного текста, иллюстрируется 46 рисунком и 3 таблицами, состоит из введения, 4 глав, заключения, списка литературы из 87 наименований.

Основные результаты и выводы

В диссертации разработаны модифицированные непараметрические модели временных зависимостей коллективного типа и программно реализованы в информационной системе. Информационная система прогнозирования и анализа временных процессов внедрена при прогнозировании показателей преступности в качестве поддержки принятия решений в задачах управления деятельности правоохранительных органов региона и оценивании качества изделий.

Результаты диссертационной работы заключаются в следующем:

1. С позиций принципов двойного коллективного оценивания разработаны оригинальные непараметрические модели временных зависимостей в условиях малых выборок, совмещающие преимущества параметрических и локальных аппроксимаций, обеспечивающие наиболее полный учет информации обучающих выборок по сравнению с традиционными непараметрическими коллективами.

2. Установлены асимптотические условия сходимости и критерии оценивания областей компетентности модифицированных непараметрических моделей коллективного типа, что создает методическую основу сравнения и выбора непараметрических аппроксимаций.

3. Разработана информационная система, обеспечивающая комплексное решение проблем анализа временных зависимостей по данным коротких их реализаций.

4. Созданная информационная система внедрена при оценивании и прогнозировании показателей преступности региона, что осуществляет комплексное решение следующих задач: формирование моделей динамики показателей преступности региона в зависимости от параметров условий проживания населения и характеристик правоохранительных органов региона- прогнозирование показателей преступности в изменяющихся условиях воздействующих факторов- определение наиболее значимых криминогенных факторов- выбор вариантов изменения значений параметров внешних условий, при которых достигается последовательное снижение преступности в регионе. По результатам внедрения информационной системы получены прогнозные значения преступности в Красноярском крае на 2000 — 2001 гг. Установлены наиболее криминогенные факторы, влияющие на уровень преступности в регионе, что подтвердило ранее выдвинутые гипотезы.

5. По результатам применения системы при оценки качества изделий установлено влияния конструктивных особенностей электронасосных агрегатов на показатели их эффективности.

Заключение

Постоянное усложнение объектов исследования в различных областях научной и практической деятельности определяет повышение интереса к методам восстановления зависимостей, позволяющим моделировать временные процессы в условиях, когда объем априорной информации о моделируемой системе мал.

Сочетание преимуществ параметрических и непараметрических подходов при разработке новых алгоритмов синтеза моделей позволяет получить новые высокоэффективные методы восстановления зависимостей.

Аспекты синтеза модифицированных непараметрических моделей временных зависимостей, рассмотренные в данной работе, являются еще одним шагом в указанном направлении.

Эффективным механизмом формирования новых моделей восстановления зависимостей являются коллективы решающих правил, позволяющие использовать готовые решающие правила для синтеза высокоэффективных правил.

Чаще всего в литературе встречаются методы восстановления зависимостей, требующие значительного объема априорной информации о моделируемом процессе.

Предложенная в данной работе непараметрическая модель временной зависимости, основанная на принципах двойного коллективного оценивания, обеспечивает наиболее полный учет информации обучающих выборок по сравнению с традиционными непараметрическими коллективами за счет большего количества формируемых упрощенных аппроксимаций. Осуществлена программная реализация предложенного метода, проведено его всестороннее исследование.

Получены условия асимптотической несмещенности и состоятельности модифицированных непараметрических моделей коллективного типа, что позволило создать теоретическую основу сравнения непараметрических аппроксимаций. На основе исследования показателей эффективности алгоритмов с помощью методов статистического моделирования установлено, что по сравнению с традиционными, рассматриваемые непараметрические модели коллективного типа более устойчивы к зашумленности обучающей выборки и их аппроксимационные свойства выше. Следовательно, такой подход оказывается гибким и эффективным в условиях высокой априорной неопределенности.

Предложенный метод построения коллектива решающих правил реализован в составе информационной системы прогнозирования и анализа временных процессов, что позволяет решать следующие задачи:

— формирование моделей динамики показателей временных процессов в зависимости от параметров влияющих условий-

— прогнозирование исследуемых показателей в изменяющихся условиях воздействующих факторов-

— определение информативных признаков воздействующих факторов-

— выбор вариантов изменения значений параметров внешних условий, при которых достигается требуемый уровень исследуемого показателя.

Разработанные модели и алгоритмы, а также созданная на их основе информационная система прогнозирования и анализа временных процессов рекомендуются для использования:

— при моделировании уникальных технических, социально-экономических, эколого-геологических и иных систем, когда объем исходной выборки наблюдений мал, а проведение экспериментов над которыми с целью получения дополнительной информации невозможно, либо сопряжено со значительными затратами-

— краткосрочного количественного прогнозирования параметров моделируемой системы, выявления входных воздействий, оказывающих наиболее сильное влияние на систему в конкретных условиях-

— при создании высокоэффективных методов восстановления зависимостей в условиях малых выборок и проектировании на их основе автоматизированных информационных систем.

Полученные результаты внедрены при решении задач управления и планирования деятельности подразделений ОВД в ГУВД Красноярского края и используются при анализе конструктивных особенностей электронасосных агрегатов.

ПоказатьСвернуть

Содержание

ГЛАВА 1. Статистические модели коллективного типа в задаче восстановления стохастических зависимостей.

1.1. Классификация статистических моделей коллективного типа.

1.2. Традиционные коллективы моделей.

1.3. Непараметрическая регрессия.

1.4. Статистические модели дерева регрессии.

1.5. Адаптивные сепарабельные модели.

1.6. Методика построения непараметрических коллективов при оценивании стохастических моделей.

1.7. Применение принципа коллективного оценивания в задаче прогнозирования временных процессов.

ГЛАВА 2. Непараметрические модели временных зависимостей, основанные на методе двойного коллективного оценивания.

2.1. Методика построения непараметрических моделей с позиций метода двойного коллективного оценивания.

2.2. Исследования асимптотических свойств непараметрических моделей коллективного типа.

2.3. Сравнение непараметрических моделей коллективного типа.

2.4. Определение вклада аргументов в формирование значений временной зависимости.

2.5. Исследование свойств непараметрических моделей коллективного типа при коротких временных рядах.

ГЛАВА 3. Информационная система прогнозирования и анализа временных процессов.

3.1. Назначение и общие сведения об информационной системе

3.2. Структура информационной системы.

3.3. Информационное обеспечение системы.

3.4. Описание основных подсистем.

3.5. Методика решения основных функциональных задач информационной системы.

3.6. Руководство пользователя информационной системы прогнозирования и анализа временных процессов.

3.7. Технико-экономические показатели системы.

ГЛАВА 4. Применение информационной системы при прогнозировании динамики показателей преступности региона и оценивании качества изделий.

4.1. Основные понятия и определение объекта исследования.

4.2. Системный анализ преступности и ее причины.

4.3. Анализ направлений научных исследований в задачах профилактики и борьбы с преступностью.

4.4. Задачи исследования состояния преступности региона.

4.5. Прогнозирование показателей преступности на примере Красноярского края.

4.6. Исследование влияния конструктивных особенностей рабочих колес на эффективность электронасосных агрегатов

Список литературы

1. Хардле В. Прикладная непараметрическая регрессия. — М.: Мир, 1993,349 с.

2. Катковник В. Я. Линейные и нелинейные методы непараметрического регрессионного анализа// Автоматика. 1979. — № 5. — С. 165−170.

3. Лапко А. В. Непараметрические алгоритмы автоматической классификации и их применение в задаче идентификации // Адаптация и обучение в системах управления и принятия решений. Новосибирск: Наука, Сиб. отделение, 1987. — С. 152−163.

4. Лапко А. В., Ченцов С. В., Крохов С. К, Фельдман Л А. Обучающиеся системы обработки информации и принятия решений. Новосибирск: Наука, 1996 — 296с.

5. Лапко А. В., Лапко В. А., Ченцов С. В. Непараметрические модели стохастических зависимостей коллективного типа // Многоуровневые непараметрические системы принятия решений. Новосибирск: Наука, 1997, — С. 136−141.

6. Алгоритмы и программы восстановления зависимостей / В. Н. Вапник, Т. Г. Глазкова и др. -М.: Наука, 1984.- 815 с.

7. Вапник В. Г. Восстановление зависимостей по эмпирическим данным. -М.: Наука, 1979. -447с.

8. Rolinson P.M. Asymptotically eficient estimation in the presence of het-eroskedasticity of unknown from. Econometrica, 1987 — Vol. 55, — P. 875 891.

9. Spiegelman C.H. Two technigues for estimating treatment efects in the presence of hidden variables: adaptive regression and a solution to Reiersol’sproblem Unpublished Ph. D. Thesis. Northwestern University, Dept. Mathematics, 1976.

10. Speckman P. Kernel smoothing in partial linear models. Journal of the Royal Statistical Society, 1988, — Series B. — Vol. 50.- P. 413−446.

11. Андреев H.A., Растригин Л. А., Эренштейн P.X. Об одной модели консилиума// Адаптивные системы. Рига: Зинатне, 1972. — Вып. 2. — С. 16−25.

12. Расстригин Л. А. Методология решения задач обнаружения закономерностей и прикладная гносеология // Машинные методы обнаружения закономерностей. Новосибирск: Ин-т математики СО АН СССР, 1981,-С. 14−16.

13. Расстригин Л. А. Адаптация сложных систем. Рига: Зинатне, 1981.- 375 с.

14. Надарая Э. А. Непараметрические оценки кривой регрессии // Тр. ВЦ АН ГССР. 1965. — Вып.5. — С. 56−68.

15. Parzen Е. On estimation of a probability density I I Ann. Math. Statistic, 1969. -P. 1038−1050.

16. Gordon L., Olshen R.A. Consistent nonparametric regression from recursive partitioning schemes. Journal of Multivariate Analysis, 1980. — Vol. 10. -P. 611−627.

17. Brieman L., Friedman J. Estimating optimal transformations for multiple regression and correlation. Journal of the American Statistical Association, 1985, — Vol. 80. -P. 580−619.

18. Лапко В. А., Ченцов С. В. Непараметрические модели статических объектов на основе методов коллективного оценивания // Информатика и системы управления, — Красноярск: КГТУ, 1996. -С. 56−60.

19. Крившич Д. В., Ченцов С. В., Юдин Н. А. Непараметрические модели нестационарных временных зависимостей в условиях малых выборок // Информатика и системы управления / Отв. ред. А. И. Рубан, Б. П. Соустин. Красноярск. КГТУ, 1996. — С. 124−129.

20. Лапко А. В. Имитационные модели неопределенных систем. Новосибирск: ВО & quot-Наука"-, 1993 112 с.

21. Крившич Д. В. Непараметрические модели коллективного типа в задачах социально-гигиенического прогнозирования //Информатика и системы управления /Отв. ред. А. Н. Ловчиков, Б. П. Соустин. Красноярск. КГТУ, 1997. — С. 64−72.

22. Молоков В. В. Непараметрические модели временных зависимостей, основанные на методе двойного коллективного оценивания //Информатика и системы управления: Сб. науч. тр. Вып. 5 /Отв. редактор Б. П. Соустин. Красноярск: КГТУ, 2000. — С. 145−151.

23. Молоков В. В. Информационная система & laquo-Население региона правоохранительные органы& raquo- //Проблемы информатизации региона. ПИР-98: Сб. труд. четвертой Всероссийской конференции / Отв. ред. В. И. Быков. — Красноярск: ЗАО & laquo-Диалог Сибирь — HT", 1998. — С. 258−260

24. Лапко A.B., Чепцов C.B. Многоуровневые непараметрические системы принятия решений. Новосибирск: Наука, 1997. — 192 с.

25. Имитационные модели пространственно распределенных экологических систем /A.B. Лапко, Н. В. Цугленок, Г. И. Цугленок. Новосибирск: Наука. Сибирская издательская фирма РАН, 1999. — С. 138−166.

26. Криминология: Учебник / Под ред. проф. Н. Ф. Кузнецовой, проф. Г. М. Миньковского М.: Издательство БЕК, 1998, — 566 с.

27. Клейменов М. П., Харитонов А. Н. Прогнозирование преступности: Лекция. Омск: Юридический институт МВД России, 1995. — С.5.

28. Вицин С. Е. Системный подход и преступность. М., 1980, — С. 45.

29. Панкратов В. В. Методология и методика криминологических исследований. -М., 1972.

30. Волошина Л. А. О системном подходе к изучению сущности преступности //Вопросы борьбы с преступностью. М., 1972, — Вып. 15.

31. Карпец И. И. Преступность: (Иллюзия и реальность). М., 1992. — С. 52.

32. Солопанов Ю. В. Криминологическое прогнозирование и планирование борьбы с преступностью. -М., 1983. С. 8.

33. Цикличность в социальных системах (& laquo-круглый стол& raquo-)// Социологические исследования. 1992 — № 6. — С. 36−46.

34. Моисеев Н. Н. Универсальный эволюционизм: (Позиция и следствие) //Вопросы философии. 1991. — № 3. — С. 24−25.

35. Гаджиев К. С. Тоталитаризм как феномен XX века //Вопросы философии. 1992. — № 2−6. — С. 13.

36. Кара-Мурза С. Цивилизованный слом //Наш современник. 1993. -№ 8. — С. 160.

37. Говорухин С. Великая криминальная революция. М., 1993. — С. 73.

38. Овчинский В. Пятая власть //Наш современник. 1993.- № 8. — С. 164.

39. Курс советской криминологии. Т.1. М., 1985. С. 156.

40. Черепанов Е. А. Компьютерная программа расчета численности сил охраны правопорядка системы органов внутренних дел //Информатизация правоохранительных систем: Сб. тез. докл. VIII Международной конференции. Москва, 1999. — С. 125−127.

41. Лукин А. Н., Швырев Б. А. О методе построения модели речевого сигнала //Информатизация правоохранительных систем: Сб. тез. докл. VI международной конференции. /Отв. ред. В. А. Минаев. Москва: Академия управления МВД России, 1997. — 4.2. — С. 138−139.

42. Войтенко С. Г. Модель агрессивного виктимного поведения //Информатизация правоохранительных систем: Сб. тез. докл. VI международной конференции. /Отв. ред. В. А. Минаев. Москва: Академия управления МВД России, 1997. — 4.1. — С. 237−240.

43. Задощева Т. Н. Построение моделей управления отдельных подсистем исправительных учреждений //Информатизация правоохранительных систем: Сб. тез. докл. VIII Международной конференции. Москва, 1999. — С. 102−103.

44. Семенченко А. К. Прогнозирование ситуационного поведения осужденных //Информатизация правоохранительных систем: Сб. тез. докл. VIмеждународной конференции. /Отв. ред. В. А. Минаев. Москва: Академия управления МВД России, 1997. — 4.1. — С. 240−243.

45. Лубин А. Ф., Крыгин C.B. Автоматизированная оценка оперативной обстановки //Информатизация правоохранительных систем: Сб. тез. докл. VI международной конференции. /Отв. ред. В. А. Минаев. Москва: Академия управления МВД России, 1997. — 4.1. — С. 165−167.

46. Коимшиди Г. Ф., Буцадзе Э. У., Денисов A.B. Автоматизированная система комплексного криминологического анализа и прогноза преступности //Информатизация правоохранительных систем: Сб. тез. докл. VIII Международной конференции. Москва, 1999. — С. 110−111.

47. Глазунов A.C. Автоматическая классификация элементов лица //Информатизация правоохранительных систем: Сб. тез. докл. VI международной конференции. /Отв. ред. В. А. Минаев. Москва: Академия управления МВД России, 1997. — 4.2. — С. 179−182.

48. Глазунов A.C. Автоматическая идентификация элементов лица //Информатизация правоохранительных систем: Сб. тез. докл. VI международной конференции. /Отв. ред. В. А. Минаев. Москва: Академия управления МВД России, 1997. — 4.2. -С. 179−181.

49. Байдак И. Б. Современные системы идентификации дактилоскопических изображение //Информатизация правоохранительных систем: Сб. тез. докл. VI международной конференции. /Отв. ред. В. А. Минаев. -Москва: Академия управления МВД России, 1997. 4.2. — С. 163−166.

50. Kolmogorov A.N. Sulla determinazione empirica di una legge di distribuzi-one // Giornale dell Istituto Italiano degli Attuari. 1933. № 4.

51. Петров A.A. Проверка гипотезы о нормальности распределения по малым выборкам // ДАН, — 1951. т. 76, № 3. — С. 355−358.

52. Большее Л. Н. К вопросу о различении по малым выборкам нормального и равномерного типов распределений // Теория вероятностей и ее применения. 1965. — т. 10, № 4. — С. 764−765.

53. Terui Nobuhico. An F-type small samples simultaneous test for nested linear regression models // Commun. Statist. Theory and Meth. № 2. — P. 703−722.

54. Konishi Sadanori. Normalizing transformations and bootsstrep confidence intervals // Ann. Statist. -1991. № 4. — P. 2209−2225.

55. Эфрон Б. Нетрадиционные методы статистического анализа. М.: Финансы и статистика, 1988. — 263с.

56. Ontani К., Hasegama Н. On small samples properties of R2 in a linear regression model with multivariate t errors and proxy variables // Econom. Theory. 1993. — № 3. — P. 504 — 515.

57. Гаскаров Д. В., Шаповалов В. И. Малая выборка. М.: Статистика, 1978. -248с.

58. Молоков В. В. Статистическая модель криминологического прогнозирования //Информатизация правоохранительных систем: Сб. тез. докл. VI международной конференции 2−3 июля 1997 г. /Отв. ред. В. А. Минаев. -Москва: Академия управления МВД России, 1997. С. 169−171.

59. Лапко В. В., Молоков В. В. Непараметрические модели прогнозирования показателей преступности региона //Информатика и системы управления: Сб. науч. тр. /Отв. редакторы А. Н. Ловчиков, Б. П. Соустин. Красноярск: КГТУ, 1999. — Вып. 4. — С. 73−76.

60. Лапко А. В., Ченцов С. В., Крохов С. К, Фельдман Л. А. Обучающиеся системы обработки информации и принятия решений. Новосибирск: Наука, 1996 — 296с.

61. Автоматизация исследований в медицине (по данным популяционных обследований). / А. В. Лапко, Л. С. Поликарпов, В.Т., Манчук и др. Новосибирск: Наука, 1996. — 270с.

62. Зубов H.H., Селиверстов В. И., Ситковский A. JI., Шестак А. Д. Организация прогнозирования преступности в регионе и использование данных прогноза в подготовке управленческих решений. 2-е изд. М.: МЦ при ГУК МВД России, 1998. — 20с.

63. Заблоцкис Н. Я., Романов Г. А. Информационно-методическое обеспечение анализа и прогнозирования преступности: Методические рекомендации. М.: ВНИИ МВД России, 1994. — 64 с.

64. Кондратюк Л. В. Региональное криминологическое прогнозирование: опыт, проблемы //Методология и методика прогнозирования в сфере борьбы с преступностью. Сб. трудов /Отв. ред. Г. М. Миньковский. -Москва: Академия МВД СССР, 1989. С. 48−59.

65. Горяинов К. К. Криминологическая обстановка: (Методологические аспекты). -Москва, 1991. -С. 15.

66. АКТ ВНЕДРЕНИЯ результатов научных исследований в практику

67. Заместитель начальника отдела АИПиК Штаба ГУВД края майор милиции 9. 11. 2000 г. 1. В.В. Полежаев

68. УТВЕРЖДАЮ {аместитель начальникаирского юридического МВД России 1К0ВНИК милиции1. С.П. Рожков2000 г. -расно1

69. АКТ ВНЕДР1 научной продукции

70. Информационная система оценивания и прогнозированияпоказателей преступности регионанаименование работы) выполненной в соответствиипункта 2. 10 плана НИР СибЮИ МВД России (основания для осуществления работы)

71. Авторским коллективом в составе: руководителя преподавателя Молокова Вячеслава Витальевичаи членов авторского коллектива:1. должность, звание, ученая степень, фамилия, имя отчество)2-

72. Целевая направленность разработки:

73. Разработанные методы моделирования и программные средства информационной системы позволяют оценивать и прогнозировать показатели преступности в изменяющихся социально-экономических, демографических и иных условиях региона.

74. Комиссия Сибирского юридического института МВД России в составе: председателя: начальника учебного отдела Зайцева В. П. и членов комиссии:

75. Начальника кафедры предварительного расследования в ОВД Галимова О. Х.

76. Начальника кафедры уголовного права и криминологии Шеслера А. В.

77. Старшего научного сотрудника ОНиРИО Матросова В. А. составила настоящий акт о том, что данная разработка внедрена в учебный процесс СибЮИ МВД России.

78. Председатель комиссии.B. JI. Зайцев

79. Члены комиссии: гГ^.О.Х. Галимов1. U! .A.B. Шеслер^^фШ^г^-гггтт^т^ ГТТТГГв .А. Матросов1. АГ «о/стя^ря/

Заполнить форму текущей работой