Atsižvelgiant pareiške faktus, mes atvykti i sistema, kad galetu numatyti galimas velavimas skolininku mokejimu svarba. Klaidos (nukrypimai nuo faktinio mokejimo datas, nuo prognozuojamu datas) turi buti minimalios, siekiant, kad ši sistema galetu buti laikomi veiksmingais. Dabar tai kieta taškas. Esami darbai parode, kad paprasti statistinius modelius, negali buti tikrai veiksmingu rezultatu, kurie butu pastovus laiko atžvilgiu. Iš musu požiuriu, geriausias budas išspresti šia problema yra panaudoti taip vadinamas "Apytiksle metoda", grindžiama Apytiksle teorijos, kurios iš pradžiu siule Gale.
Iš fuzzy daugelio pagrindai yra išdestyti didžiulis knygu ir straipsniu - naudotis interneto paieškos sistemu sužinoti Fazilogika ir kaip viskas veikia, ar yra toks poreikis. Cia mes tik rodo, paruoštas naudoti principu prognozavimo skolininku mokejimu, remdamiesi Apytiksle požiuris. Principa siuloma šiame straipsnyje buvo igyvendinta kompiuterio programos forma. Programa buvo išbandyta su realiais duomenimis tikros imones. Vidutine kvadratinis nuokrypis taip apskaiciuotas numatomas 3, kurioje siuloma ideja, kad iš esmes pateikiami cia yra gana efektyvus, taciau gali buti toliau tobulinami.
Atsižvelgiant i reliacines duomenu bazes (kuri gali buti iš tiesu supratau, bet kokiu budu, iskaitant, bet neapsiribojant, MS Access, MS Excel DB-kaip Duomenu rinkiniai ir tt), turincios informacijos apie saskaitas fakturas, ju gimimo datas, posedžio laika kiekvienai skolininku , faktiniu datu skolininku mokejimu, kurie ivyko praeityje, galime pamatyti statistika "Praeities mokejimo terminai." Tankio funkcijos šiame statistika gali buti žiurima kaip Nenormalus rozmyty. Šis rinkinys, pavadinimu "A", bus triju fuzzy daugelio pirma turi buti sudedamuju daliu del rozmyty "mokejimo dienos prognoze." Skaicius funkcija gali duoti mums bendra ideja apie "mokejimo drausmes" tam tikros skolininko anksciau. Tankio funkcijos, bendruoju atveju, bus su keliu "bangas" nes tai paprastai ne tendencija, kuriu sudetyje yra budingos, kaip daug dienu skolininkas tures vengti moketi jokiu skolu.
Pirma, dažniausiai dienu mokejimo termino suma yra atsitiktinio kintamojo. Jis gali buti svyruoja per pora dienu "ribos. Antra, statistikos prognozes del velavimo gali buti skirtingi daug ivairiu laiko. Tai yra todel, B2B santykiai nera statiškas, jie vystosi visa laika. Kartais, pardavimo bendrove ateina i "shaking hands" su pirkimo bendrove pastaroji turi moketi keleta dienu anksciau, o kartais perka imone gali susidurti su laikinu finansiniu sunkumu (pvz., atsirandanti del labai paskola gražinama i banko pagal supirkimo imone), kad perkant bendroves perspeja pardavimo bendrove, kad gali buti šiek tiek velavimo mokejimu. Tai atsispindi kitoje del Apytiksle prognoze komponentas, - rozmyty "C". Jis iš tiesu yra kalbine kintamasis "mokejimo velavimas greiciausiai rozmyty. Kalbu kintamasis gali buti viena iš šiu reikšmiu: "Neutral" (tai reiškia, kad nera konkreciu Prognozes apie mokejimu uždelsima verte konkreciu skolininko), "kiek laiko, galima", "kiek laiko, greiciausiai" "didelis velavimas yra greiciausiai", "laiku mokejimas yra labiausiai tiketina", "Apmokejimas iš anksto, yra labiausiai tiketina. Kiekviena iš šiu trukmes vertes turi savo narystes funkcija. Atitinkama narystes funkcija yra naudojama kiekviena karta statant prognoze konkreciam skolininkui. Narystes funkciju savoka, vertybes kalbu kintamasis "mokejimo velavimas, greiciausiai yra pateikti žemiau:
"Laiku mokejimas yra greiciausiai": y = sqrt (1-ABS (x) / 2), x priklauso [-2; 2]
«" Kiek laiko, greiciausiai ": y = SQRT (1 ABS (x-4) / 3), x priklauso [1, 7]
"Suletino imanoma": y = (1-ABS (x-4) / 3) ** 2, x priklauso [1, 7]
«" Didelis velavimas yra greiciausiai ": y = SQRT (0,25-(12-x) / 24) 0,5, x priklauso [6, 12]
y = (0,71-(6-x) / 4,23) ** 2, x priklauso [3, 6)
y = 0, x12
"Neutralaus": y = 0,5
«" Išankstinis mokejimas yra greiciausiai ": y = 1/SQRT (ABS (x)), x
No comments:
Post a Comment