Найти

Результаты поиска

• НЕПАРАМЕТРИЧЕСКИЙ МЕТОД ОБНАРУЖЕНИЯ РАЗЛАДКИ ВРЕМЕННÓГО РЯДА C ИСПОЛЬЗОВАНИЕМ МЕХАНИЗМА СЛУЧАЙНЫХ БЛУЖДАНИЙ

  Г. Ф. Филаретов , З. Бучаала

  2020-11-22

  Аннотация ▼

  Рассмотрена задача оперативного обнаружения внезапного изменения вероятностных
  свойств временнóго ряда, обычно трактуемая как задача обнаружения разладки наблюдаемого
  стохастического процесса. Отмечается актуальность развития исследований по данной те-
  матике, что обусловлено появлением всё новых прикладных задач, где методы и алгоритмы
  обнаружения разладки могут успешно использоваться – в частности, при создании монито-
  ринговых систем в промышленности, экологии, медицине и др. Обсуждаются две основные
  разновидности методов обнаружения разладки: параметрические и непараметрические. От-
  мечено, что, хотя непараметрические методы при прочих равных условиях уступают пара-
  метрическим по эффективности (быстроте обнаружения разладки), но зато обладают и ря-
  дом преимуществ, не требуя, в частности, контролируемого процесса. Это принципиально
  важно при построении мониторинговых систем, когда детальная информация об этих свойст-
  вах может либо полностью отсутствовать и тогда необходимо проводить достаточно тру-
  доемкое его предварительное исследование, либо быть малодостоверной. Предложен ориги-
  нальный последовательный непараметрический алгоритм обнаружения разладки на основереализации механизма случайных блужданий или, более конкретно, с использованием теории
  серий «успехов». Объяснен принцип работы контролирующего алгоритма и дано его описание.
  Приведены результаты исследования основных статистических характеристик алгоритма,
  включая определение его эффективности, и результаты сопоставления с известными пара-
  метрическими методами. Выделена область возможного практического использования пред-
  ложенного алгоритма, где его эффективность остается достаточно высокой. Отмечена пер-
  спективность применения предложенного алгоритма в составе программно-алгоритмического
  обеспечения систем мониторинга различного назначения.

• ИДЕНТИФИКАЦИЯ КЛЮЧЕВЫХ ТЕХНОЛОГИЙ НА ОСНОВЕ СБОРА И АНАЛИЗА ДАННЫХ ИЗ ОТКРЫТЫХ РУССКОЯЗЫЧНЫХ ИСТОЧНИКОВ

  А.Г. Бондаренко , А.Г. Кравец

  144-159

  2025-07-24

  Аннотация ▼

  Данная статья посвящена разработке и апробации нового подхода к сбору, обработке и анализу открытых данных на русском языке для идентификации ключевых технологических направлений. Для решения задачи формирования и последующего анализа структурированных датасетов разработаны и программно реализованы методы веб-скрейпинга, обработки естественного языка и анализа временных рядов. Описанный в статье подход впервые применен для извлечения и структурирования информации из научных статей, новостных ресурсов и патентной документации на русском языке. В результате анализа полученного датасета научных публикаций выделены 30 наиболее часто упоминаемых биграмм и столько же триграмм технологических терминов.
  На основе анализа частотности биграмм и триграмм выделены ключевые технологические термины, которые затем использованы для комплексной фильтрации по ключевым технологиям. Комплексная фильтрация позволила осуществить поиск русскоязычных патентов и их сбор для дальнейшего анализа. В результате предварительной обработки полученной патентной информации сформированы временные ряды патентной активности. Программная система идентификации ключевых технологий реализована на JavaScript и Python с использованием библиотек Selenium и BeautifulSoup для веб-скрейпинга, NLTK и Scikit-learn для обработки и анализа текстовых данных. Исследование динамики развития ключевых технологий во времени позволило выявить периоды интенсивной патентной деятельности и снижения интереса к той или иной технологии. Результаты, изложенные в статье, создают основу для дальнейшей разработки методов машинного обучения с целью прогнозирования технологического развития и выявления перспективных направлений прикладных исследований.

• МЕТОДЫ ОЦЕНКИ ТЕМПОРАЛЬНОЙ СТРУКТУРЫ ИНТЕРНЕТ-ДИСКУССИЙ НА ОСНОВЕ КОЛИЧЕСТВА И ПРОДОЛЖИТЕЛЬНОСТИ ВЗАИМОДЕЙСТВИЙ ПОЛЬЗОВАТЕЛЕЙ

  А.Ю. Таранов

  155-162

  2025-10-01

  Аннотация ▼

  Целью исследования является разработка и проверка методов оценки темпоральной структуры интернет-дискуссий, основанных на анализе количества и продолжительности взаимодействий пользователей в интернете (в социальных сетях, на форумах и т.п.). Описываются разработанные в рамках данной работы новые методы оценки темпоральной структуры интернет-дискуссий, основанные на анализе количества и продолжительности взаимодействий пользователей в интернете. Особое внимание уделяется методам определения интенсивности и длительности дискуссий, что позволяет получить более точную оценку динамики обсуждений в реальном времени. Оценка интенсивности дискуссии производится через соотношение количества взаимодействий (таких, например, как комментарии, реплаи, лайки) и продолжительности онлайнового обсуждения. Предложен метод корректного определения длительности дискуссии, в котором производится учет не только время с момента публикации поста, но также и активность пользователей в процессе обсуждения, что делает данный метод более гибким и точным. Для проверки разработанных методов использовались реальные данные из сообществ ВКонтакте городов Таганрога и Сарова. Результаты практических исследований подтвердили существование ожидаемых закономерностей, таких, например, как суточные колебания в уровнях активности пользователей и всплески активности, связанные с различными важными общественными и политическими событиями. Разработанные методы оценки темпоральной структуры интернет-дискуссий на основе количества и продолжительности взаимодействий пользователей позволяют эффективно анализировать динамику вовлеченности участников дискуссий, выявлять ключевые моменты, а также значимые события в процессе онлайн-общения. Данные методы могут быть полезными в различных областях, таких как социальные исследования, маркетинг, политический анализ, управление репутационными рисками и другие, где требуется анализ активности и вовлеченности в интернете.

• ПРОГНОЗИРОВАНИЕ ОСТАТОЧНОГО СРОКА ПОЛЕЗНОГО ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ МЕТОДОМ ГЛУБОКОГО ОБУЧЕНИЯ LSTM

  Ю.А. Кораблев

  277-288

  2025-11-10

  Аннотация ▼

  Актуальность данного исследования обусловлена повсеместным внедрением предиктивных систем технического обслуживания. В современных промышленных условиях особую важность приобретает точное прогнозирование остаточного срока службы (RUL) критического оборудования. Однако традиционные методы анализа данных демонстрируют существенные ограничения при работе с многомерными нестационарными временными рядами, характеризующимися высокой степенью зашумленности и сложными нелинейными зависимостями. Это приводит к значительным погрешностям в прогнозах, неоптимальному планированию ремонтных работ и возрастанию рисков внезапных отказов, способных вызвать серьезные экономические потери и нарушения производственных процессов. Цель работы заключалась в разработке усовершенствованной модели прогнозирования RUL на основе глубоких рекуррентных нейронных сетей. Для достижения поставленной цели последовательно решались следующие задачи: проведение детального анализа и многоэтапной предобработки данных многомерного мониторинга; проектирование специализированной двухслойной LSTM-архитектуры с интегрированными механизмами регуляризации. Методы и подходы включали применение оригинальной методики, сочетающей каскадную организацию LSTM-слоев с нормализацией и dropout-регуляризацией. Обучение модели осуществлялось на наборе данных NASA Turbofan Engine Degradation Simulation с задействованием современного оптимизатора Adam и стратегии ранней остановки для предотвращения переобучения. Особое внимание уделялось разработке специализированных алгоритмов предобработки, позволяющих эффективно работать с зашумленными временными последовательностями и сохранять долгосрочные зависимости в данных. Основные результаты проведенных экспериментов демонстрируют высокую точность прогноза. Детальный визуальный анализ временных рядов подтвердил точное соответствие прогнозных значений реальной траектории износа механических компонентов. Выводы исследования свидетельствуют о высокой практической эффективности разработанной модели для решения актуальных задач промышленной прогностики. Установлена возможность успешной интеграции модели в современные системы предиктивного обслуживания технологического оборудования. Практическая значимость работы заключается в потенциале существенной оптимизации затрат на техническое обслуживание и минимизации рисков критических отказов. Перспективы дальнейших исследований связаны с развитием гибридных архитектур, интеграцией механизмов внимания и адаптацией модели для различных типов промышленного оборудования

• 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

• НОВАЯ МЕТРИКА ВОСПРОИЗВОДИМОСТИ ДЛЯ СРАВНЕНИЯ КЛАССИФИКАТОРОВ ВРЕМЕННЫХ РЯДОВ

  М. О. Доброхвалов , А.Ю. Филатов , Е.А. Чегодаева

  2026-02-27

  Аннотация ▼

  Воспроизводимость результатов экспериментов является критическим аспектом современного машинного обучения, однако выбор случайного инициализирующего сида существенно влияет на итоговое качество моделей, что создает проблему корректного сравнения различных архитектур и методов. Цель исследования заключалась в оценке влияния выбора случайного сида на результаты классификации временных рядов сверточными нейросетями и в разработке корректного способа сравнения моделей. Задачи включали измерение разброса метрик при множественных повторных запусках в рамках варьирующихся инициализаций, проверку нормальности распределений, введение метаметрики воспроизводимости RM и подбор ее параметра λ, а также проверку переносимости подхода на альтернативных архитектурах. Проведены эксперименты с двумя одномерными архитектурами (FCN, ResNet) сверточных нейронных сетей на семи открытых наборах данных временных рядов разной природы. Для каждой пары модель–датасет выполнено по 55 независимых запусков с фиксацией источников случайности и идентичными настройками обучения в PyTorch. Статистический анализ включал критерии Шапиро Уилка и Андерсона Дарлинга. Показано, что распределения аккуратности чаще всего не соответствуют нормальному закону, поэтому интервальные оценки, основанные на нормальности, некорректны. Варьирование сида приводит к различиям аккуратности до 12 процентных пунктов, причем величина разброса зависит от датасета и архитектуры. Предложенная метрика воспроизводимости (RM), штрафующая за дисперсию, при малом числе запусков на различных инициализирующих значениях приближает нижнюю наблюдаемую границу, при большом числе стремится к среднему. Предложенная RM позволяет сравнивать модели с учетом случайных “удачных” и “неудачных” инициализаций и ранжировать модели по устойчивости, задает стандарт отчетности, повышающий воспроизводимость экспериментов и надежность выводов. Эмпирическая проверка на архитектуре DenseNet подтвердила, что RM адекватно реагирует как на стабильные, так и на нестабильные наборы. Методика легко переносится на новые датасеты и архитектуры. Предложенная метрика может быть использована для стандартизации отчётности и повышения воспроизводимости исследований.

• 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.