СИНТЕЗ ПРОГНОЗНИХ ТРЕНДІВ ІЗ ЗАСТОСУВАННЯМ МЕТОДІВ ІНДУКЦІЙНОГО МОДЕЛЮВАННЯ
DOI:
https://doi.org/10.26906/SUNZ.2021.3.108Ключові слова:
багатопараметричні функції, індуктивне моделювання, метод групового урахування аргументів, візуалізація, тренди, оптимізація результатів, MatlabАнотація
Сучасний розвиток обчислювальної техніки і можливість реалізації обчислень в паралельному режимі дозволяють вирішувати все більш масштабні завдання чисельного моделювання. Розвиток багатопроцесорний обчислювальної техніки та паралельних обчислень робить актуальним вирішення задач оптимізаційного аналізу. Оптимізаційний аналіз заснований на масовому рішенні зворотних задач при змінюються в певних діапазонах визначальних параметрах розглянутого класу задач. Так, все більш затребуваними стають розрахунки не тільки прямих завдань, де потрібна моделювати явище при відомих вихідних даних, але і розрахунки зворотних задач, де необхідно визначити за яких визначальних параметрах виникає те чи інше явище. Така постановка вимагає багаторазового розв'язання прямих задач і рішення задачі оптимізаційного аналізу та побудови прогнозуючих трендів.. В роботі розглядаються проблеми Data Mining багатовимірних обсягів числової інформації, заданих у вигляді багатовимірних масивів. Множини багатовимірних параметричних даних в роботі розглядаються, як чисельні рішення зада чі оптимізації. Побудова прогнозуючих трендів реалізується на базі методу групового урахування аргументів як напрямку індукційного моделювання. Реалізована методологія візуалізації результатів обчислення параметричних функцій. Описана схема Data Mining із застосуванням методів візуалізації засобами програмного середовищя MatlabЗавантаження
Посилання
Чарльз Генрі Едвардс, Девід Е. Пенні. Диференціальні рівняння і проблема власних значень: моделювання та обчислення за допомогою Mathematica, Maple і MATLAB Differential Equations and Boundary Value Problems: Computing and Modeling. - 3-е изд. - М.: «Вільямс», 2007. - 397 с, ISBN 978-5-8459-1166-7.
С.П. Іглін. Математичні розрахунки на базі Matlab. Видавництво "BHV-Санкт-Петербург" 2005р. 640 с.
Є.Р. Алексєєв, О.В. Чеснокова. Рішення задач обчислювальної математики в пакетах Mathcad 12, MATLAB 7, Maple 9. Серія: Самовчитель. Видавництво: НТ Пресс, 2006р. 496 с. ISBN 5-477-00208-5.
Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. – Киев: Наук. думка, 1982. – 296 с.
Samoilenko O., Stepashko V. A method of Successive Elimination of Spurious Arguments for Effective Solution of the Search-Based Modelling Tasks // Proc. of the II Int. Conf. on Inductive Modelling, Sept. 15-19, 2008, Kyiv, Ukraine. – IRTC ITS NASU, Kyiv, 2008. – P. 36-39.
Stepashko V., Bulgakova O. Generalized Iterative Algorithm GIA GMDH // Proc. of the 4th Int. Conf. on Inductive Modelling ICIM-2013, Sept. 16-20, 2013, Kyiv, Ukraine. – Kyiv: IRTC ITS NASU, 2013. – P. 119-123.
Yefimenko S., Stepashko V. Intelligent Recurrent-and-Parallel Computing for Solving Inductive Modeling Problems // Proc. of 16th Int. Conf. on Computational Problems of Electrical Engineering CPEE’2015, Lviv, Ukraine, September 2-5, 2015. – Lviv: LNPU, 2015. – P. 236-238.
Степашко В.С. Концептуальные основы интеллектуального моделирования // УСиМ. – 2016. – No 4. – С. 3-15.
Ефименко С.Н. Построение систем прогнозных моделей многомерных взаимосвязанных процессов // УСиМ. – 2016. – No 4. – С. 80-86.
Stepashko V., Moroz O. Hybrid Searching GMDH-GA Algorithm for Solving Inductive Modeling Tasks // Proc. of the 1st IEEE International Conference on Data Stream Mining & Processing, 23-27 August 2016, Lviv, Ukraine. – P. 350-355.
Self-organizing methods in modeling: GMDH type algorithms / Ed. S.J. Farlow. – New York, Basel: Marcel Decker Inc., 1984. – 350 p.
Bodyanskiy Ye., Zaychenko Yu., Pavlikovskaya Ye. The Neo-Fuzzy Neural Network Structure Optimization Using the GMDH for the Solving Forecasting and Classification Problems / Proc. of the 3rd Int. Workshop on Inductive Modeling IWIM–2009, 14–19 Sept. 2009, Krynica, Poland. – Prague: Czech Techn. Univ., 2009. – P. 100–107.
Булгакова О.С., Зосімов В.В., Степашко В.С. Програмний комплекс моделювання складних систем на основі ітераційних алгоритмів МГУА з можливістю мережевого доступу // Системні дослідження та інформаційні технології. – 2014. – No 1. – С. 43-55.
Павлов А.В. Проектирование системы автоматизированной структурно-параметрической идентификации // Індуктивне моделювання складних систем. – Вип. 7. – К.: МННЦ ІТС НАНУ, 2015. – С. 202-219.
[Stepashko V., Samoilenko O., Voloschuk R. Informational Support of Managerial Decisions as a New Kind of Business Intelligence Systems. – Computational Models for Business and Engineering Domains / G.Setlak, K.Markov (Eds.). – Rzeszow, Poland; Sofia, Bulgaria: ITHEA, 2014. – Р. 269-279.
Zosimov V., Stepashko V., Bulgakova O. Inductive building of search results ranking models to enhance the relevance of the text information retrieval // Proc. of the 26th Intern. Workshop “Database and Expert Systems Applications”, 1-4 Sept., Valencia, Spain / Ed. by Markus Spies at al. – Los Alamitos: IEEE Computer Society, 2015. – P. 291-295.
Оленєв М.М., Печонкін Р.В., Ченців А.М. Паралельне програмування в MATLAB і його додатки. М .: ВЦ РАН. 2007. 120 с. - ISBN 5-201-09865-7
E. Skakalina. INFORMATION TECHNOLOGY FOR BUILDING A MODEL OF FINANCIAL FORECASTING / E.Skakalina // Proceedings of the 16th INTERNATIONAL SCIENTIFIC CONFERENCE INFORMATION TECHNOLOGIES AND MANAGEMENT 2018. April 26-27, 2018. ISMA University, Riga, Latvia, P.195-196.
Optimization Toolbox - Оптимізація [Електронний ресурс]. - 2021. - Режим доступу: http://matlab.exponenta.ru/optimiz/index.php
Skakalina E. Investigation of intelligent technologies for formation forecasting models / Elena Skakalina // International Journal of Engineering & Technology.- 2018.- 7(3.2 ). – P.413-418. DOI: 10.14419/ijet.v7i3.2.14563
