Агентно-орієнтований метод кластеризації даних оптового дистриб’ютора

doi:10.26565/2304-6201-2022-55-01

Володимир Донець Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків, Україна, 61022 https://orcid.org/0000-0002-5963-9998
Вікторія Стрілець Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків, Україна, 61022 https://orcid.org/0000-0002-2475-1496
Дмитро Шевченко Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків, Україна, 61022 https://orcid.org/0000-0002-7897-250X
Сергій Шматков Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків, Україна, 61022 https://orcid.org/0000-0002-0298-7174

DOI: https://doi.org/10.26565/2304-6201-2022-55-01

Ключові слова: нечітка кластеризація, мультиагентний підхід, обробка даних, перетворення Бокса-Кокса, метод PCA, метод t-SNE, автокодувальник, дивергенція Кульбака-Лейблера, відстань Махаланобіса, Мангеттенська відстань

Анотація

Мета роботи полягає в підвищенні точності кластеризації даних, та визначення цільової кількості кластерів даних, генерованих динамічними економічними системами, за допомогою використання агентно-орієнтованого методу кластеризації з впровадженням методів попередньої обробки даних.

Методи дослідження: в ході виконання досліджень були використані методи обробки та підготовки даних, міри елементної відстані та методи кластеризації. Програмне забезпечення розроблено за допомогою мови Python, були використані бібліотеки scikit-learn, NumPy, SciPy, Pandas, PyTorch й інші.

У результаті роботи дані оптового дистриб’ютора було оброблено методами попередньої обробки даних, такими як: визначення пропущених значень, визначення асиметрії та перетворення Бокса-Кокса, проведена нормалізація даних з методом мін-макс нормалізації та проведене зменшення розмірності з методам PCA та t-SNE. Був застосований агентно-орієнтований метод кластеризації з різними метриками (Мангеттенська відстань, відстань Махаланобіса з оберненим значення функції приналежності, дивергенція Кульбака-Лейблера та крос-ентропія). Дивергенція Кульбака-Лейблера показала найкращі результати точності й була обрана для подальшого тестування. Також була протестована спроможність агентно-орієнтованого методу визначати кількість кластерів. Використання методів попередньої обробки даних показало явну присутність 3-х цільових кластерів, що було підтверджено методом. Висновки: розроблений метод показав високі результати точності кластеризації за рахунок проведеної обробки даних, правильно обраної міри елементної відстані та використання агентно-орієнтованого підходу. Цей метод можна використовувати для покращення якості кластеризації даних динамічних економічних систем, але метод вимагає доопрацювання в збільшенні гнучкості щодо визначення розміру агентів-кластерів.

Завантаження

##plugins.generic.usageStats.noStats##

Біографії авторів

Володимир Донець, Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків, Україна, 61022

аспірант

Вікторія Стрілець, Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків, Україна, 61022

к.т.н., доцент кафедри теоретичної та прикладної системотехніки

Дмитро Шевченко, Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків, Україна, 61022

аспірант

Сергій Шматков, Харківський національний університет імені В.Н. Каразіна, майдан Свободи, 6, Харків, Україна, 61022

д.т.н., проф., завідувач кафедри теоретичної та прикладної системотехніки

Посилання

/

Посилання

J. Wełeszczuk, B. Kosińska-Selbi, P. Cholewińska. Prediction of Polish Holstein's economical index and calving interval using machine learning. Livestock Science. October 2022. Volume 2. DOI: https://doi.org/10.1016/j.livsci.2022.105039 (дата звернення 25.06.2023).

Soroush Mahjoubi, Rojyar Barhemat, Pengwei Guo, Weina Meng, Yi Bao. Prediction and multi-objective optimization of mechanical, economical, and environmental properties for strain-hardening cementitious composites (SHCC) based on automated machine learning and metaheuristic algorithms. Journal of Cleaner Production. 20 December 2021. Volume 329. DOI: https://doi.org/10.1016/j.jclepro.2021.129665 (дата звернення 25.06.2023).

Yasemin Gültepe. Analysis of Alburnus tarichi population by machine learning classification methods for sustainable fisheries. SLAS Technology. 2022. Volume 27. Issue 4. Pages 261-266. DOI: https://doi.org/10.1016/j.slast.2022.03.005 (дата звернення 25.06.2023).

Benjamin Decardi-Nelson, Jinfeng Liu. Robust Economic Model Predictive Control with Zone Control. IFAC-PapersOnLine. 2021. Volume 54. Issue 3. Pages 237-242. DOI: https://doi.org/10.1016/j.ifacol.2021.08.248 (дата звернення 25.06.2023).

Muhammad Mohsin, Fouad Jamaani. Green finance and the socio-politico-economic factors’ impact on the future oil prices: Evidence from machine learning. Resources Policy. 2023. Volume 85. Part A. DOI: https://doi.org/10.1016/j.resourpol.2023.103780 (дата звернення 25.06.2023).

Strilets V., Donets V., Ugryumov M., Zelenskyi R., Goncharova T. Agent-Oriented data clustering for medical monitoring. Radioelectronic and Computer Systems, 2022, № 1, P. 103–114. DOI: https://doi.org/10.32620/reks.2022.1.08 (дата звернення 25.06.2023).

Johannes Schneider, Michail Vlachos. Fast parameterless density-based clustering via random projections. CIKM '13: Proceedings of the 22nd ACM international conference on Information & Knowledge Management. October 2013. Pages 861–866. DOI: https://doi.org/10.1145/2505515.2505590 (дата звернення 25.06.2023).

Erez Hartuv, Ron Shamir. A clustering algorithm based on graph connectivity, Information Processing Letters. 2000 Volume 76. Issues 4–6. Pages 175-181. DOI: https://doi.org/10.1016/S0020-0190(00)00142-3 (дата звернення 25.06.2023).

Wui Lee Chang, Lie Meng Pang, Kai Meng Tay. Application of self-organizing map to failure modes and effects analysis methodology. Neurocomputing. 2017. Volume 249. Pages 314-320. DOI: https://doi.org/10.1016/j.neucom.2016.04.073 (дата звернення 25.06.2023).

Donets V., Ugryumov M., Strilets V. A Measure Of Compactness For Fuzzy Clustering Based On Entropy. Scientific collection of works of the international scientific and technical conference "Computer modeling in science-intensive technologies (KMNT -2022)".

Jun Liu, Guobin Yang, Nan Zhou, Kaiyu Qin, Badong Chen, Yonghong Wu, Kup-Sze Choi. Event-triggered consensus control based on maximum correntropy criterion for discrete-time multi-agent systems. Neurocomputing. 2023. Volume 545. DOI: https://doi.org/10.1016/j.neucom.2023.126323 (дата звернення 25.06.2023).

Margarida Cardoso. Wholesale customers. UCI Machine Learning Repository. 2014. DOI: https://doi.org/10.24432/C5030X (дата звернення: 25.06.2023).

Sakia R.M. The box-cox transformation technique: A Review. The Statistician. 1992. Т. 41. № 2. С. 169. DOI: https://doi.org/10.2307/2348250 (дата звернення: 25.06.2023).

Maćkiewicz A., Ratajczak W. Principal Components Analysis (PCA). Computers & Geosciences. 1993. Т. 19. № 3. С. 303–342. DOI: https://doi.org/10.1016/0098-3004(93)90090-R (дата звернення: 25.06.2023).

L.J.P. van der Maaten and G.E. Hinton. Visualizing High-Dimensional Data Using t-SNE. Journal of Machine Learning Research. 9 Nov 2008. URL: https://www.jmlr.org/papers/volume9/vandermaaten08a/vandermaaten08a.pdf (дата звернення: 25.06.2023).

Lykhach O., Ugryumov M., Shevchenko D., Shmatkov S. Methods of detecting emissions in test samples during process control in state-based systems. Bulletin of Kharkiv National University named after V.N. Karazin, series "Mathematical modeling. Information Technology. Automated control systems". 2022. (53). C. 21-40. [In Ukrainian]

Shevchenko D., Ugryumov M., Artiukh S. Monitoring data aggregation of dynamic systems using information technologies. Innovative Technologies and Scientific Solutions for Industries. 2023. No. 1 (23), P. 123–131. DOI: https://doi.org/10.30837/ITSSI.2023.23.123 (дата звернення: 25.06.2023).