Бинарное прогнозирование динамических показателей на основе методов машинного обучения | Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2023. № 62. DOI: 10.17223/19988605/62/5

Бинарное прогнозирование динамических показателей на основе методов машинного обучения

Рассмотрена задача бинарного прогнозирования динамических показателей на основе машинного обучения с приложением к задаче перевозки грузов железнодорожным транспортом. В качестве методов выбраны вероятностная нейронная сеть и логистическая регрессия. Бинарное прогнозирование заключается в оценке прогнозных значений показателя на основе вероятностей принадлежности одному из двух интервалов. Так как при такой процедуре определяется не само будущее значение показателя, а то, в каком интервале оно будет находиться, такое прогнозирование называют бинарным, или интервальным. Программное обеспечение разработано на языке программирования Python с применением сторонних библиотек с открытым исходным кодом. Тестирование созданного программно-алгоритмического обеспечения по реальным исходным данным перевозочного процесса показало высокую точность бинарного прогнозирования и на основе вероятностной нейронной сети, и на основе логистической регрессии. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.

Скачать электронную версию публикации

Загружен, раз: 16

Ключевые слова

бинарное прогнозирование, вероятностная нейронная сеть, логистическая регрессия, динамические показатели

Авторы

ФИО	Организация	Дополнительно	E-mail
Краковский Юрий Мечеславович	Иркутский государственный университет путей сообщения	профессор, доктор технических наук, профессор кафедры информационных систем и защиты информации	79149267772@yandex.ru
Куклина Ольга Константиновна	Читинский институт (филиал) Байкальского государственного университета	старший преподаватель кафедры информационных технологий и высшей математики	kuklinaok@bgu-chita.ru

Всего: 2

Ссылки

Shumway R.H. Time series analysis and its applications with R examples. Springer, 2011. 609 p.

Mitrea C.A. A Comparison between neural networks and traditional forecasting methods: a case study // International Journal of Engineering Business Management. 2009. V. 1 (2). P. 19-24.

Vernay M., Lafaysse M., Merindol L. Ensemble forecasting of snowpack conditions and avalanche hazard // Cold Regions Science and Technology. 2015. V. 120. P. 251-262.

Краковский Ю.М., Курчинский Ю.В., Лузгин А.Н. Интервальное прогнозирование интенсивности кибератак на объекты критической информационной инфраструктуры // Доклады ТУСУР. 2018. Т. 21, № 1. С. 71-79.

Wang H., Li G., Wang H. Deep learning based ensemble approach for probabilistic wind power forecasting // Applied Energy. 2017. V. 188. P. 56-70.

Yoder M., Cering A.S., Navidi W.C. Short-term forecasting of categorical changes in wind power with Markov chain models // Wind Energy. 2014. V. 17. P. 1425-1439.

Krakovsky Y., Luzgin A. Robust interval forecasting algorithm based on a probabilistic cluster model // Journal of Statistical Computation and Simulation. 2018. V. 88 (12). P. 2309-2324.

Ivanyo Y.M., Krakovsky Y.M., Luzgin A.N.Interval forecasting of cyber-attacks on industrial control systems // IOP Conference Series: Materials Science and Engineering (Simulation and Automation of Production Engineering). 2018. V. 327. Art. 022044.

Munkhdorj B., Yuji S. Cyber attack prediction using social data analysis // Journal of High Speed Networks. 2017. V. 23 (2). P. 109-135.

Spetch D.F. Probabilistic Neural networks // Neural Networks. 1990. V. 3. P. 109-118.