|
DOI: 10.14489/vkit.2021.01.pp.037-043
Обухов А. Д.
НЕЙРОСЕТЕВОЙ МЕТОД ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ИНФОРМАЦИОННЫХ ОБЪЕКТОВ
(с. 37-43)
Аннотация. Предложен нейросетевой метод прогнозирования состояния информационных объектов в целях повышения качества и надежности функционирования адаптивных информационных систем, снижения задержки реакции на внешние воздействия, подготовки к выполнению операций, повышению отзывчивости и быстродействия системы. Показано, что данный метод, основанный на применении технологий машинного обучения, позволяет анализировать и обрабатывать не только текущие состояния информационных объектов, но и прогнозировать следующие состояния с некоторым временны́м интервалом. Представлен формализованный алгоритм реализации разработанного метода, отличительными особенностями которого является автоматическое определение оптимальной структуры нейронной сети в зависимости от типа информационного объекта. Проведены практические исследования по апробации нейросетевого метода, которые показали его эффективность и высокую точность. Выполнено сравнение разработанного метода с аналогичным программным решением DEvol (DeepEvolution).
Ключевые слова: нейронные сети; прогнозирование состояния объектов; нейросетевой метод; адаптивные информационные системы; регрессия; анализ информационных объектов.
Obukhov A. D.
NEURAL NETWORK METHOD FOR PREDICTING THE STATE OF INFORMATION OBJECTS
(pp. 37-43)
Abstract. The analysis and process of not only the current states of information objects, but also the prediction of future states with a certain time interval presents a major significance for adaptive information systems. This allows improving the quality and reliability of these systems functioning, reducing the delay in response to external influences, preparing for operations, and increasing the responsiveness and speed of the system. In order to solve this problem, the article proposes a neural network method for forecasting the state of information objects based on the application of machine learning technologies. A formalized algorithm for its implementation in the notation of set theory is presented. A distinctive characteristic of the designed method is the automatic determination of the optimal structure of the neural network, depending on the type of information object. The method also covers the possibility of using the complex of the previous states of the object to improve the forecast accuracy. Practical researches on approbation of the neural network method showed its efficiency and high accuracy. The following popular datasets were used as input data: Individual household electric power consumption, HAR (Human Activity Recognition) accelerometer, as well as gathered data on human relocation. LSTM (Long Short-Term Memory) neural network was applied to conduct the forecasts. The comparison of the developed method with a similar software solution DEvol (DeepEvolution) showed comparable or better indicators in terms of accuracy and time for the problem solution (1.7 times faster on average).
Keywords: Neural networks; Predicting the state of objects; Neural network method; Adaptive information systems; Regression; Analysis of information objects.
А. Д. Обухов (Тамбовский государственный технический университет, Тамбов, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
A. D. Obukhov (Tambov State Technical University, Tambov, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Моделирование тенденций развития социально-экономических систем на основе нейронных сетей / Е. П. Карлина и др. // Вестник Астраханского государственного технического университета. Серия: Экономика. 2017. № 4. C. 53 – 59. DOI: 10.24143/2073-5537-2017-4-53-59
2. Применение нейронных сетей в прогнозировании риска формирования церебрального паралича у детей на основе оценки влияния перинатальных факторов / Е. В. Орлова и др. // Вестник современной клинической медицины. 2019. Т. 12, № 3. C. 40 – 43. DOI: 10.20969/VSKM.2019.12(3).40-43
3. Тихонов В. Е., Неверов А. А. Прогнозирование предстоящих метеорологических условий вегетации и урожайности зерновых культур в сухостепной зоне Предуралья // Российская сельскохозяй¬ственная наука. 2017. № 3. С. 21 – 24.
4. Саенко И. Б., Скорик Ф. А., Котенко И. В. Мониторинг и прогнозирование состояния компьютерных сетей на основе применения гибридных нейронных сетей // Известия высших учебных заведений. Приборостроение. 2016. Т. 59, № 10. C. 795 – 800. DOI: 10.17586/0021-3454-2016-59-10-795-800
5. High-Frequency Trading Strategy Based on Deep Neural Networks / A. Arévalo et al. // Intern. Conf. on Intelligent Computing. Cham, 2016. P. 424 – 436. DOI: 10.1007/978-3-319-42297-8_40
6. Liu H., Mi X., Li Y. Wind Speed Forecasting Method Based on Deep Learning Strategy Using Empirical Wavelet Transform, Long Short Term Memory Neural Network and Elman Neural Network // Energy Conversion and Management. 2018. V. 156. P. 498 – 514. DOI: 10.1016/J.ENCONMAN.2017.11.053
7. Tay C., Shim K. J. A Cloud-Based Data Gathering and Processing System for Intelligent Demand Forecasting // Intern. Conf. on Big Data (Big Data). 2018. P. 5451 – 5453. DOI: 10.1109/BigData.2018.8622546
8. Кропотов Ю. А., Проскуряков А. Ю., Белов А. А. Метод прогнозирования изменений параметров временных рядов в цифровых информационно-управляющих системах // Компьютерная оптика. 2018. Т. 42, № 6. С. 1093 – 1100. DOI: 10.18287/2412-6179-2018-42-6-1093-1100
9. Regularized Evolution for Image Classifier Architecture Search / E. Real et al. // Proc. of the AAAI Conf. on Artificial Intelligence. 2019. V. 33, No. 01. P. 4780 – 4789. DOI: 10.1609/aaai.v33i01.33014780
10. Transform Regression and the Kolmogorov Superposition Theorem / J. Ghosh et al. // Proc. of the 2006 SIAM (Society for Industrial and Applied Mathematics) Intern. Conf. on Data Mining. 2006. P. 35 – 46. DOI: 10.1137/1.9781611972764.4
11. Алексеев Д. В. Приближение функций нескольких переменных нейронными сетями // Фундаментальная и прикладная математика. 2009. Т. 15, № 3. С. 9 – 21.
12. Keras: Simple. Flexible. Powerful [Электронный ресурс]: офиц. сайт. URL: https://keras.io (дата обращения: 01.12.2020).
13. Chujai P., Kerdprasop N., Kerdprasop K. Time Series Analysis of Household Electric Consumption with ARIMA and ARMA Models // Proc. of the Intern. MultiConf. of Engineers and Computer Scientists (IMECS), Hong Kong, 2013, March 13 – 15. 2013. V. 1. P. 295 – 300.
14. A Public Domain Dataset for Human Activity Recognition Using Smartphones / D. Anguita et al. // European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN), Bruges, 2013, April 24 – 26. 2013. P. 437 – 442.
1. Karlina E. P. et al. (2017). Modeling development trends of socio-economic systems based on neural networks. Vestnik Astrahanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Ekonomika, (4), pp. 53 – 59. [in Russian language] DOI: 10.24143/2073-5537-2017-4-53-59
2. Orlova E. V. et al. (2019). The use of neural networks in predicting the risk of cerebral palsy in children based on the assessment of the influence of perinatal factors. Vestnik sovremennoy klinicheskoy meditsiny, Vol. 12, (3), pp. 40 – 43. [in Russian language] DOI: 10.20969/VSKM.2019.12(3).40-43
3. Tihonov V. E., Neverov A. A. (2017). Forecasting the forthcoming meteorological conditions of the growing season and the yield of grain crops in the dry steppe zone of the Cis-Urals. Rossiyskaya sel'skohozyaystvennaya nauka, (3), pp. 21 – 24. [in Russian language]
4. Saenko I. B., Skorik F. A., Kotenko I. V. (2016). Monitoring and forecasting the state of computer networks based on the use of hybrid neural networks. Izvestiya vysshih uchebnyh zavedeniy. Priborostroenie, Vol. 59, (10), pp. 795 – 800. [in Russian language] DOI: 10.17586/0021-3454-2016-59-10-795-800
5. Arévalo A. et al. (2016). High-Frequency Trading Strategy Based on Deep Neural Networks. International Conference on Intelligent Computing, pp. 424 – 436. Cham. DOI: 10.1007/978-3-319-42297-8_40
6. Liu H., Mi X., Li Y. (2018). Wind Speed Fore-casting Method Based on Deep Learning Strategy Using Empirical Wavelet Transform, Long Short Term Memory Neural Network and Elman Neural Network. Energy Conversion and Management, Vol. 156, pp. 498 – 514. DOI: 10.1016/J.ENCONMAN.2017.11.053
7. Tay C., Shim K. J. (2018). A Cloud-Based Data Gathering and Processing System for Intelligent Demand Forecasting. International Conference on Big Data, pp. 5451 – 5453. DOI: 10.1109/BigData.2018.8622546
8. Kropotov Yu. A., Proskuryakov A. Yu., Belov A. A. (2018). Method for predicting changes in time series parameters in digital information management systems. Komp'yuternaya optika, Vol. 42, (6), pp. 1093 – 1100. [in Russian language] DOI: 10.18287/2412-6179-2018-42-6-1093-1100
9. Real E. et al. (2019). Regularized Evolution for Image Classifier Architecture Search. Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 33, (1), pp. 4780 – 4789. DOI: 10.1609/aaai.v33i01.33014780
10. Ghosh J. et al. (2006). Transform Regression and the Kolmogorov Superposition Theorem. Proceedings of the 2006 SIAM (Society for Industrial and Applied Mathematics) International Conference on Data Mining, pp. 35 – 46. DOI: 10.1137/1.9781611972764.4
11. Alekseev D. V. (2009). Approximation of functions of several variables by neural networks. Fundamental'naya i prikladnaya matematika, Vol. 15, (3), pp. 9 – 21. [in Russian language]
12. Keras: Simple. Flexible. Powerful. Available at: https://keras.io (Accessed: 01.12.2020).
13. Chujai P., Kerdprasop N., Kerdprasop K. (2013). Time Series Analysis of Household Electric Consumption with ARIMA and ARMA Models. Proceedings of the International MultiConference of Engineers and Computer Scientists (IMECS), Vol. 1, pp. 295 – 300. Hong Kong.
14. Anguita D. et al. (2013). A Public Domain Dataset for Human Activity Recognition Using Smartphones. European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN), pp. 437 – 442. Bruges.
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 450 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2021.01.pp.037-043
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 450 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2021.01.pp.037-043
and fill out the form
.
|
Архив номеров
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»