Краткосрочное прогнозирование многомерных временных рядов с использованием робастных нейросетевых моделей

  • Игорь Михайлович Антонян Харьковская медицинская академия последипломного образования, кафедра общей детской и онкологической урологии
  • Вероника Александровна Горячая Национальный аэрокосмический университет им. Н. Е. Жуковского «ХАИ»
  • Александр Иванович Зеленский Харьковская медицинская академия последипломного образования, кафедра общей детской и онкологической урологии
  • Екатерина Михайловна Угрюмова Национальный аэрокосмический университет им. Н. Е. Жуковского «ХАИ»
Ключові слова: прогнозирование, многомерные временные ряды, обучаемые искусственные нейронные сети, оценивание доверительных интервалов для прогнозируемых значений и размерности пространства коинтегрированных временных рядов, априорная неопределенность данных

Анотація

Предложена статистическая модель контроля состояния динамических систем с применением робастных нейросетевых моделей с задержкой во времени. Разработан метод прогнозирования многомерных временных рядов, полученных на основе данных мониторинга переменных состояния динамических систем. Проведено сравнение качества прогнозирования с помощью предложенных моделей (в форме однонаправленной и радиально-базисной обучаемых искусственных нейронных сетей). Получены оценки доверительных интервалов для прогнозируемых значений и размерности пространства коинтегрированных временных рядов с учетом точности измерения переменных состояния.

Завантаження

##plugins.generic.usageStats.noStats##

Біографії авторів

Игорь Михайлович Антонян, Харьковская медицинская академия последипломного образования, кафедра общей детской и онкологической урологии
профессор, доктор медицинских наук, заведующий кафедрой харьковской медицинской академии последипломного образования
Вероника Александровна Горячая, Национальный аэрокосмический университет им. Н. Е. Жуковского «ХАИ»
аспирантка кафедры информатики Национального аэрокосмического университет им. Н. Е. Жуковского «ХАИ»
Александр Иванович Зеленский, Харьковская медицинская академия последипломного образования, кафедра общей детской и онкологической урологии
заведующий отделением Харьковской медицинской академии последипломного образования
Екатерина Михайловна Угрюмова, Национальный аэрокосмический университет им. Н. Е. Жуковского «ХАИ»
научный сотрудник кафедры информатики Национального аэрокосмического университет им. Н. Е. Жуковского «ХАИ»

Посилання

1. Епифанов С.В. Выбор эффективных критериев тренда для применения в алгоритмах параметрической диагностики / С.В. Епифанов, Б.А. Щербань, Ю.В. Черкасов. – Авиационно-космическая техника и технология. – 2012. – № 8 (95). – С. 232-240.

2. Епифанов С.В. Прогнозирование технического состояния турбореактивного двухконтурного двигателя / С.В. Епифанов, Б.А. Щербань, Н.Д.Багаутдинов, Ю.В. Черкасов. – Авиационно-космическая техника и технология. – 2015. – № 8 (125). – С. 93-101.

3. Тарек Юсеф Баді Біштаві. Обчислювальні методи ідентифікації моделей в задачах прогнозування телетрафіку: Автореф. дис. тех. наук. – Харків: ХНУ ім. В.Н. Каразіна, 2011. – 18 с.

4. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия: Автореф. дисс. канд. техн. наук. – Москва: МГУ им. Н.Э. Баумана, 2012. – 17 с.

5. Jingfei Yang M. Sc. Power System Short-term Load Forecasting // Elektrotechnik und Informationstechnik der Technischen Universitat: Thesis for Ph.d degree. – Germany, Darmstadt, 2006. – 139 p.

6. Commandeur J.J.F. Statistical Software for State Space Methods / J.J.F. Commandeur, S. J. Koopman, M. Ooms. – Journal of Statistical Software. – 2011. – Vol. 41, № 1. – 18 p.

7. Frank R.J. Time Series Prediction and Neural Networks / R.J. Frank, N. Davey, S.P. Hunt. – Journal of Intelligent and Robotic Systems, 2001. – Vol. 31, Issue 1. – P. 91-103.

8. Смирнова Е.И. Моделирование структуры состояний сложной системы для задач прогнозирования / Е.И. Смирнова. – Штучний Інтелект. – В. Новгород: ДонНТУ, ИПИИ «Наука і освіта», 2000. – 4 с. URL: http://ea.dgtu.donetsk.ua:8080/jspui/bitstream/123456789/22945/1/МОДЕЛИРОВАНИЕ%20СТРУКТУРЫ%20СОСТОЯНИЙ%20СЛОЖНОЙ.pdf (дата обращения: 21.10.2015).

9. Фаворская М.Н. Прогнозирование с системах распознавания образов на основе скрытых Марковских моделей / М.Н. Фаворская, Н.Д. Торгашин, А.Г. Зотин // Вестник Сибирского государственного аэрокосмического университета. – 2006. – Серия: «Математика, механика, информатика». – Выпуск 3. – С. 59-63. ISSN 1816-9724

10. Крючин О.В. Прогнозирование временных рядов с использованием нейронных сетей типа Вольтерри и сравнение показателей с многослойным персептроном / О.В. Крючин, О.В. Кондратков. – Электронный научный журнал «Исследовано в России», 2010. – T.13. – ISSN 1819-4192. – С. 953-967.

11. Щелкалин В.Н. Математические модели и методы, основанные на совместном использовании идей методов «Гусеница»-SSA и Бокса-Дженкинса // Тр. IX междунар. конф. «Идентификация систем и задачи управления» SICPRO’12 / Харьковский национальный университет радиоэлектроники. – М., 2012. – С.728-771.

12. Дмитриев А.Н. Моделирование временных рядов заболеваемости с использованием искусственных нейронных сетей / А.Н. Дмитриев, В.В. Котин. Медицинская техника. – 2013. – № 1 (277). – С. 35-38.

13. Time Series Analysis for Business Forecasting [Электронный ресурс]. URL: http://home.ubalt.edu/ntsbarsh/business-stat/stat-data/forecast.htm#rzchartforcat (дата обращения: 21.10.2015).

14. Браммер К. Фильтр Калмана-Бьюси. Детерминированное наблюдение и стохастическая фильтрация. / К. Браммер, Г. Зиффлинг., Пер. с нем. –Главная редакция физико-математической литературы.– М.: «Наука», 1982. – 200 с.

15. Гуржий А.Н. Математическое обеспечение информационно-управляющих систем. Прогнозирование: учеб. пособ. / А.Н. Гуржий, В.М. Левыкин, Б.В. Шамша, Т.Б. Шатовская. – X.: ООО «Компания СМИТ», 2013. – 372 с.

16. Тихонов Э.Е. Прогнозирование в условиях рынка: учебное пособие / Э.Е.Тихонов. – Невинномысск, 2006. – 221 с. – ISBN 5-89571-077-8.

17. Минаев Ю.Н. Методы и алгоритмы решения идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе / Ю.Н. Минаев, О.Ю. Филимонова, Бенамеур Лиес. – М.: Горячая линия-Телеком, 2003. – 205 с.

18. Хайкин С. Нейронные сети: полный курс. / С. Хайкин. – М.: ООО «И.Д. Вильямс», 2006. – 1104 с.

19. Стрелец В. Е. Системное совершенствование элементов сложных технических систем на основе концепции обратных задач: монография/ В. Е. Стрелец, А.А.Трончук, Е.М. Угрюмова и др.; под общ. ред. М. Л. Угрюмова. – Х.: Нац. аэрокосм. ун-т им. Н. Е. Жуковского «Харьк. авиац. ин-т», 2013. – 148 с. – ISBN 978-966-662-312-9.

20. Меняйлов Е.С. Формирование облика технических систем в условиях неопределенности входных данных на основе методов искусственного интеллекта / Е.С.Меняйлов, Е.М. Угрюмова, А.А. Трончук, С.В. Черныш // Авиационно-космическая техника и технология. – 2014. – № 7 (114). – С.169-174.

21. Румшинский Л.З. Математическая обработка результатов эксперимента / Л.З. Румшинский. – Главная редакция физико-математической литературы. – М.: «Наука», 1971. – 192 с.

22. Антонян И.М. Метод оценивания информативности переменных нейросетевых моделей систем и процессов при неопределенности данных / И.М. Антонян, В.А. Горячая, А.И. Зеленский, Е.М. Угрюмова. // Вісник Харківського національного Університету. Збірник наукових праць. – 2015, №1156 серія: «Математичне моделювання. Інформаційні технології. Автоматизовані системи управління». – Випуск 26. С. 5-16. URL: http://www.irbis-nbuv.gov.ua/cgi-bin/irbis_nbuv/cgiirbis_64.exe?C21COM=2&I21DBN=UJRN&P21DBN=UJRN&IMAGE_FILE_DOWNLOAD=1&Image_file_name=PDF/VKhIMAM_2015_1156_26_3.pdf (дата обращения: 21.10.2015).
Опубліковано
2016-03-23
Як цитувати
Антонян, И. М., Горячая, В. А., Зеленский, А. И., & Угрюмова, Е. М. (2016). Краткосрочное прогнозирование многомерных временных рядов с использованием робастных нейросетевых моделей. Вісник Харківського національного університету імені В.Н. Каразіна, серія «Математичне моделювання. Інформаційні технології. Автоматизовані системи управління», 28, 5-17. вилучено із https://periodicals.karazin.ua/mia/article/view/5461
Розділ
Статті