Найти

Результаты поиска

• МЕТОД ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ, ОСНОВАННЫЙ НА КОГНИТИВНОМ НЕЧЕТКОМ МОДЕЛИРОВАНИИ И РЕГРЕССИОННОМ АНАЛИЗЕ

  А.И. Гусева , Р.М. Романов

  157-178

  2025-12-30

  Аннотация ▼

  Актуальность исследования определяется низкой эффективностью традиционных методов прогнозирования временных рядов в условиях высокой неопределённости и ограниченного объёма данных, характерных для слабо формализованных систем. Цель работы заключается в разработке и обосновании метода прогнозирования временных рядов на основе гибридного подхода, объединяющего когнитивное нечеткое моделирование, регрессионный анализ и метод аналитических сетей. В рамках исследования проведён системный обзор и сравнительный анализ существующих методов прогнозирования, включая подходы на основе нечеткой логики, нейросетевого и когнитивного моделирования, ансамблевых и гибридных методов, и выявлены их ограничения при работе с малыми выборками, нелинейными зависимостями и неопределённостью. Разработанный метод включает: построение нечетких когнитивных карт, дефаззификацию лингвистических оценок, кластеризацию факторов, применение метода аналитических сетей для определения приоритетов и формирование взвешенной регрессионной модели. Модель проходит статистическую валидацию по метрикам , ,  и , а также проверку предпосылок регрессионного анализа, включая тесты на мультиколлинеарность и автокорреляцию. Применение метода обеспечило снижение  с 0,38 до 0,22,  с 0,30 до 0,18 и  с 11,65 % до 7,12 %, что подтверждает повышение точности и устойчивости прогнозов при ограниченном объёме данных по сравнению с классической многофакторной регрессией. Новизна разработанного метода заключается в интеграции когнитивного моделирования, регрессионного анализа и метода аналитических сетей, при которой преимущества каждого компонента компенсируют их индивидуальные ограничения, обеспечивая более точное и устойчивое прогнозирование в условиях неопределённости исследуемой системы. Практическая значимость работы состоит в возможности применения предложенного метода для поддержки принятия решений и повышения обоснованности прогнозов в различных предметных областях и ситуациях, где имеется ограниченный объёма наблюдений, а существенную роль играют экспертные оценки, а также сложная структура причинно-следственных связей между показателями во времени

• ПРОГНОЗИРОВАНИЕ ПЕРЕМЕЩЕНИЙ СТУДЕНТОВ НА ОСНОВЕ ML И АНАЛИЗА ВРЕМЕННЫХ РЯДОВ

  Мирзиёд Адхам угли Раджапов , К.Д. Чемухин , Л. Э. Петросян

  134-151

  2026-07-07

  Аннотация ▼

  Управление перемещением студентов в условиях демографических колебаний и цифровизации высшего образования становится ключевым фактором устойчивости университетов, влияя как на финансовые показатели, так и на качество образовательного процесса. Возрастающая сложность процессов приёма, отчисления, академических отпусков, переводов и восстановлений требует перехода от экспертных оценок к формализованным моделям и предиктивной аналитике, основанной на обработке больших массивов данных. Целью представленного исследования является построение и оценка эффективности модели прогнозирования динамики движения студенческого контингента на основе алгоритмов машинного обучения и с использованием анализа временных рядов. В качестве эмпирической базы использованы агрегированные статистические данные о перемещении студентов российских и китайских вузов за период 2013–2024 годов. Методологический аппарат включает динамическую модель баланса контингента в форме системы рекуррентных уравнений, описывающих переходы между курсами и статусами обучения, и аддитивную модель Prophet, применяемую для независимого прогнозирования ключевых потоков (приём, переводы, отчисления, академические отпуска, восстановления) как отдельных временных рядов. Программная реализация основана на стеке FastAPI–React с использованием ORM-слоя SQLAlchemy и механизмов кэширования результатов прогностических расчётов, что обеспечивает высокую производительность при обработке запросов. Результаты экспериментов на реальных данных демонстрируют устойчивость разработанной модели к нелинейным изменениям во входных рядах и подтверждают целесообразность интеграции машинного обучения в контур управления перемещением студентов. Практическая значимость работы заключается в создании информационно-аналитической системы, обеспечивающей автоматизированный мониторинг и прогнозирование траекторий перемещения студентов между курсами и статусами, что позволяет вузам переходить от реактивного к проактивному планированию приёмной кампании, распределения аудиторного фонда, кадровых и инфраструктурных ресурсов.