Введение. Моделирование временного ряда представляет собой формализованную процедуру, позволяющую по прошлым значениям ряда вычислять будущие значения прогнозируемого показателя  на заданный период упреждения. Конечной целью формирования временного ряда является его подготовка к использованию для построения математической модели прогнозируемого процесса, которая и будет описывать распознаваемую ситуацию с заданным условием оптимизации [1].

Формализованное представление математической модели, описывающей востребованность специалистов на региональном рынке труда, этапы адаптивного построения математической модели прогнозирования и их особенности подробно рассмотрены в [2–3]. Возможность моделирования зависимости величины сегмента рынка труда для отдельной профессиональной группы от экономических показателей обеспечивается посредством выявления и анализа  основных групп факторов, описывающих, существующий на региональном рынка труда совокупный спрос на специалистов. На основе анализа, проведенного с помощью когнитивной модели, в качестве основных факторов для прогнозирования востребованности специалистов определены следующие: показатель потенциального спроса, показатель реализованного спроса, показатель резервного спроса и  показатель степени трудоустройства выпускников [4].

Методология. Прогнозирование востребованности специалистов на региональном рынке труда на основе временных рядов основывается на многофакторной регрессионной модели [5]. Предварительная обработка данных, составляющих прогнозный фон, следует общей концепции проведения исследований с помощью методов интеллектуального анализа данных Data Mining, включая методы предварительной обработки данных, классификации и регрессии [6–7]. Аппарат нечетких множеств и нечеткой логики используется для учета специфики функционирования регионального рынка труда относительно сложившейся на нем профессионально-квалификационной структуры в нечетких условиях и при неполных данных [8–9]. Оценка эффективности проведенной предобработки данных временного ряда проводится с помощью соотношения, в теории непрерывных функций называемого константой Липшица.

Основная часть. Предварительная обработка данных включает в себя несколько шагов.

Шаг 1. Из всей совокупности показателей регионального рынка труда, описывающих совокупный спрос на специалистов, определяется набор факторов, значения которых могут быть вычислены на основании собранных сведений. Эти значения представляют собой прогнозный фон, на основе которого будет строиться временной ряд.      

В результате получена группа факторов, значения которых определены в интервале времени T с периодичностью один год:      G'=G1', G2',…,Gk''T , где k'– определяет количество полученных факторов. Поскольку объект исследования – региональный рынок труда функционирует в нечетких  условиях и при неполных данных, то для каждого из факторов определена своя глубина погружения в историю (т.е. временной период, в течение которого определены его значения):    R'=R1', R2',…,Rk''T  (табл. 1).

Таблица 1

Сведения, полученные на шаге 1

предварительной обработки данных

Шаг 2. Из полученного множества факторов G'  для отбора наиболее значащих факторов, участвующих в построении модели прогнозирования, на данном шаге используется набор правил вывода. При этом необходимо оптимальным образом учитывать мнение эксперта относительно степени влияния на результат прогноза факторов из множества G'    , глубину погружения каждого фактора в историю  и значения коэффициентов парной корреляции факторов.

С одной стороны набор правил рассматривает возможность исключения некоторых малозначащих факторов для сохранения большего размера глубины погружения всего временного ряда. С другой стороны, набор правил рассматривает возможность сокращения размера глубины погружения всего временного ряда для учета в модели наиболее важных факторов из множества G', для которых Rl'           в интервал времени T не является максимальной, где Rl'∈R', l=1,…, k'.  В результате выполнения этого шага из общей совокупности факторов G'  получен поднабор факторов    G=G1, G2,…,GkT   и оптимальная глубина погружения Rоптим . При этом k определяет количество полученных факторов в множестве G  , которые будут учтены в модели прогнозирования  , величина Rоптим  будет одинаковой для всех факторов множества G (табл. 2).

Таблица 2

Сведения, полученные на шаге 2

предварительной обработки данных

Шаг 3. Выполняется обработка данных в зависимости от  требований к форме получения результата прогноза:

а) для получения на выходе прогнозной модели в качестве результата информации о характере динамики изменения исследуемого процесса трудоустройства на период упреждения (т.е. оказывается достаточным прогнозировать только знак приращения), дальнейшую предобработку данных временного ряда необходимо провести по правилу:

 GKj ti=1,∆Gj ti>0 0,∆Gj ti=0 -1,∆Gj ti<0 ,                   (1)

где  ∆Gj ti=Gj ti+1-Gj ti ,  ti∈T    , i=1,…,Rоптим-1    ,  j=1,…,k    ,      , k – количество факторов в множестве G    . Полученный в результате предобработки ряд GKt1, GKt2, … , GKtRоптим-1T            будет сохранять основную информацию о характере и последовательности изменений процессов трудоустройства, но такой переход сопряжен и с потерей части информации. Поэтому использовать его можно только при соответствующих требованиях к виду получаемого результата.

б) для получения на выходе прогнозной модели значения, определяющего величину динамики изменения исследуемого процесса востребованности специалистов на период упреждения, необходимо в качестве значений факторов модели прогнозирования использовать не конкретные значения соответствующих им показателей в каждый отдельный временной период, а их приращения за последовательные временные периоды. В связи с этим предобработка исходных данных будет заключаться в следующем преобразовании: от данных G=G1, G2,…,GkT    , где  k – количество факторов в множестве G    перейдем к Rоптим-1  разностям этого ряда: ∆Gj t1,  ∆Gj t2,…, ∆Gj tRоптим-1 , где ∆Gj ti=Gj ti+1-Gj ti,    ,  ti∈T, i=1,…,Rоптим-1    ,  j=1,…,k  ,    k – количество факторов в множестве G.