Целью исследования явяется разработка нейронной сети, позволяющей прогнозировать стоимость автомобиля в Еврейской автономно области. Данные берутся с сайтов Avito.ru и Drom.ru, регион поиска Еврейская автономная область.

Проблему обучения нейронных сетей изучали российские и зарубежные ученые. А.Б.Барский [1] рассмотрел однослойные логические нейронные сети. Построение и обучение нейронной сети для решения задачи прогнозирования погоды при помощи программы Neuroph Studio применила Т.Колесникова [2]. С.Д.Кулик и А.Д.Жижилев [3] использовали нейросетевые технологии на финансовом рынке. Н.С.Костин [4] рассмотрел место модульных нейронных сетей в классификации искусственных нейронных сетей. В.Г.Манжула и Д.С.Федяшов применяли нейронные сети в интеллектуальном анализе данных [5-7]. Моделирование нейронных сетей MATLAB рассмотрели В.С.Медведев и В.Г.Потемкин [8]. Прогнозирование потребления электроэнергии с помощью нейронных сетей показали С.С. Николаев и Ю.АТимошенко [9]. Н.И.Червяков и Э.Е.Тихонов нашли применение нейронных сетей для задач прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях [10]. Р.И.Баженов и др. рассматривали использования нейронных сетей в различных областях [11-15]. Учёные из других стран также применяю искусственные нейронные сети в своей научной деятельности [16, 17].

Цель разрабатываемого шаблона, создать нейронную сеть способную прогнозировать цену автомобиля по входным данным. Данную задачу можно выполнить в среде Neural Network Wizard [18].

На первом экране после запуска программы нас просят загрузить заранее подготовленную базу данных (рис. 1).

Рисунок 1 – Окно загрузки базы данных

Базу данных можно создать в любом табличном редакторе, который может импортировать данные в текстовый документ формата *.txt. В данном случае для составления базы данных, была использована программа Microsoft Excel 2013. После успешной загрузки данных появляется окно настройки полей (рис. 2).

Рисунок 2 – Окно настройки полей

В данном окне (рис.2) прозводится настройка параметров полей, таких как тип поля, и нормализации поля. Задаём целевое поле, это поле Цена(Zena).

После настройки полей октрывается окно настройки нейронной сети. В этом окне устанавливаются параметры нейронной сети (рис. 3).

Рисунок 3 – Окно настройки нейронной сети

На данный момент установленны настройки по умолчанию, именно эти настройки отвечают за точность расчётов нашей нейронной сети.

После настройки нейронной сети необходимо задать параметры обучения. Устанавливаем ограничение на время обучения сети, т.к. нейронная сеть может обучаться большое количество времени. Ограничиваем время обучения на 20000 эпох (рис 4).

Рисунок 4. Окно параметров обучения нейронное сети.

После того как настройки обучения завершены, появляется окно проверки заданых параметров. Окно нужно для того чтобы пользователь убедился в то что он задал правильные параметры.

После проверки заданых параметров необходимо начать обучение нейронной сети (рис. 5.)

Рисунок 5 – Окно обучения нейронной сети

Теперь сеть обучена и готова прогнозировать цены. Возьмём готовые данные для проверки. Возьмём автомобиль 1997 года выпуска, с пробегом в 240 тысяч километров, с объёмом двигателя 1.8 литров, с мощью двигателя в 115 лошадинных сил. Прописываем в полях слева необходимые нам четырые параметра для расчёта цены, нажимаем клавишу «Расчёт» и получаем результат (рис. 6).

Рисунок 6. Окно расчётов.

Нейронная сеть рассчитала нам цену данного автомобиля. Цена составляет примерно 210000 рублей. Разница цен около 10000 рублей. Попробуем приблизить точность, изменив настройки нейронной сети. После нескольких попыток расчёт составил цену в 219582 рублей, параметры нейронной сети указаны ниже (рис. 7).

Рисунок 7. Параметры нейронные сети после тщательной настройки.

Зададим новые существующие данные и посмотрим на сколько точно нейронная сеть произведёт расчёт. Возьмём автомобиль 2005 года выпуска, с пробегом в 110 тысяч километров, с объёмом двигателя 1.3 литров, с мощью двигателя в 87 лошадинных сил (рис. 8).

Рисунок 8 -Цена автомобиля с новыми параметрами

Цена близка к настоящей, следовательно можно следать вывод, что данная нейронная сеть может прогнозировать цены легковых автомобилей.

Данная работа знакомит с созданием нейронной сети, и её обучением для выполнения поставленных задач и может в дальнейшем использоваться студентами для создания более сложных, по своей структуре и задаче, нейронных сетей в различных курсах [19, 20].