| Русский Русский | English English |
   
Главная Архив номеров
31 | 10 | 2020
10.14489/vkit.2017.06.pp.011-016

DOI: 10.14489/vkit.2017.06.pp.011-016

Крашенинников В. Р., Кувайскова Ю. Е., Шунина Ю. С., Клячкин В. Н.
ОБНОВЛЕНИЕ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ОБЪЕКТОВ В ВИДЕ СИСТЕМ ВРЕМЕННЫ́Х РЯДОВ И МНОГОМЕРНЫХ КЛАССИФИКАТОРОВ
(c. 11-16)

Аннотация. Рассмотрены математические модели прогнозирования состояния объектов в виде систем временны́  х рядов и многомерных классификаторов. По мере поступления новой информации такие модели обычно устаревают. Показано, что некоторое время адаптация модели к новым данным осуществляется корректировкой ее параметров на основе псевдоградиентной процедуры, однако при существенном изменении ситуации корректировки параметров недостаточно и необходимо изменение структуры модели. Предложены подходы к обновлению структуры моделей.

Ключевые слова:  временны́ е ряды; прогнозирование; классификация; обновление модели; псевдоградиент.

 

Krasheninnikov V. R., Kuvayskova Yu. E., Shunina Yu. S., Klyachkin V. N.
UPDATING OF MODELS PREDICTING OBJECTS’ STATE AS TIME SERIES SYSTEMS AND MULTIVARIATE CLASSIFIER
(pp. 11-16)

Abstract. The article considers a predicting of an object’s state, characterized by the feature vector, the values of which change over time. Their dynamics is a system of time series, for the description and analysis of which it is constructed corresponding model to predict the state of the object. One of possible approach to modeling timeseries system is a structural-parametric identification method, based on a joint analysis of the data. For each series of existing series system a model is constructed as the sum of three components: a trend; the harmonic component of the joint or autoregressive model on the cylinder; vector auto regression. To solve the problem of classification adaptive aggregated classifiers are considered, which integrate the results of different classification methods. Constructed models are used for management decisions to eliminate accidents. Thus, it is necessary to consider the possibility that properties of the observed object can vary substantially with time. Therefore, the prediction model must adapt to these changes. For the models adaptation to a new data it is proposed updating procedure for the model parameters based on the numerical method, which adjusts the models coefficients using pseudo-gradient. Sometime later, the structure of the predicting mathematical model can be “outdated ”, and pseudo-gradient procedure (which optimizes only the model parameters) may not be sufficient. In this case, it is proposed to upgrade the model structure. It is shown the results of numerical experiments, demonstrating the effectiveness of the proposed approaches to upgrade forecasting models, presented as time series systems or aggregated classifiers.

Keywords: Time series; Predicting; Classification; Model updating; Pseudo-gradient.

Рус

В. Р. Крашенинников, Ю. Е. Кувайскова, В. Н. Клячкин (Ульяновский государственный технический университет, Ульяновск, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
Ю. С. Шунина (АО «Ульяновское конструкторское бюро приборостроения», Ульяновск, Россия)

 

Eng

V. R. Krasheninnikov, Yu. E. Kuvayskova, V. N. Klyachkin (Ulyanovsk State Technical University, Ulyanovsk, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
Yu. S. Shunina (Ulyanovsk Instrument Manufacturing Design Bureau, JSC, Ulyanovsk, Russia)

 

Рус

1. Клячкин В. Н., Шунина Ю. С. Система оценки кредитоспособности заемщиков и прогнозирования возврата кредитов // Вестник компьютерных и информационных технологий. 2015. № 11. С. 45 – 51. doi: 10.14489/ vkit.2015.11.pp.045-051
2. Клячкин В. Н., Кувайскова Ю. Е., Алёшина А. А. Моделирование вибраций гидроагрегата на основе адаптивных динамических регрессий // Автоматизация. Современные технологии. 2014. № 1. С. 30 – 34.
3. Прогнозирование состояния источника водоснабжения в целях обеспечения качества воды / Ю. Е. Кувайскова и др. // Справочник. Инженерный журнал с прило¬жением. 2016. № 5 (230). С. 37 – 42. doi: 10.14489/ hb.2016.05.pp.037-042
4. Применение методов машинного обучения при решении задач технической диагностики / В. Н. Клячкин и др. // Научный вестник УВАУ ГА(И). 2016. Т. 8. С. 158 – 161.
5. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временны́х рядов. М.: Финансы и статистика, 2003. 416 с.
6. Васильев К. К., Крашенинников В. Р. Статистический анализ изображений. Ульяновск: Изд-во УлГТУ, 2014. 214 с.
7. Крашенинников В. Р., Клячкин В. Н., Шунина Ю. С. Обновление агрегированных классификаторов на основе псевдоградиентной процедуры // Вестник компьютерных и информационных технологий. 2016. № 10. С. 36 – 40. doi: 10.14489/vkit.2016.10.pp.036-040
8. Алёшина А. А. Использование псевдоградиента при выборе параметров модели вибраций гидроагрегата // Системы управления и информационные технологии. 2013. № 1.1 (51). С. 113 – 117.
9. Кувайскова Ю. Е. Методика структурно-параметрической идентификации системы временны́х рядов // Изв. Самарского науч. центра РАН. 2013. Т. 15, № 4–4. С. 914 – 918.
10. Крашенинников В. Р., Кувайскова Ю. Е. Прогнозирование динамики объекта с использованием авторегрессионных моделей на цилиндре // Радиотехника. 2016. № 9. С. 36 – 39.
11. АлгоМост: офиц. сайт. URL: http://algomost.com/ ru/tasks/uploadfiles/58/train_utf_noid.sas7bdat (дата обращения: 29.04.2017).

Eng

1. Kliachkin V. N., Shunina Iu. S. (2015). System for borrowers’ credit worthiness assessment and repayment of loans forecasting. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (11), pp. 45-51. doi: 10.14489/vkit.2015.11. pp.045-051 [in Russian language]
2. Kliachkin V. N., Kuvaiskova Iu. E., Aleshina A. A. (2014). Modeling of vibrations of a hydrounit on the basis of adaptive dynamic regressions. Avtomatizatsiia. Sovremennye tekhnologii, (1), pp. 30-34. [in Russian language]
3. Kuvayskova Yu. E., Bulyzhev E. M., Klyachkin V. N., Bubyr D. S. (2016). Forecasting the state of the water supply source to ensure the water quality. Spravochnik. Inzhenernyi zhurnal, 230(5), pp. 37-42. doi: 10.14489/ hb.2016.05. pp.037-042 [in Russian language]
4. Kliachkin V. N. et al. (2016). Application of methods of machine learning in solving the problems of technical diagnostics. Nauchnyi vestnik UVAU GA(I), 8, pp. 158-161. [in Russian language]
5. Lukashin Iu. P. (2003). Adaptive methods of short-term forecasting of time series. Moscow: Finansy i statistika. [in Russian language]
6. Vasil'ev K. K., Krasheninnikov V. R. (2014). Statistical analysis of the images. Ul'ianovsk: Izdatel'stvo UlGTU. [in Russian language]
7. Krasheninnikov V. R., Kliachkin V. N., Shunina Iu. S. (2016). Pseudogradient procedure as a method of aggregated classifiers updating. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (10), pp. 36-40. doi: 10.14489/vkit.2016.10.pp.036-040
8. Aleshina A. A. (2013). Using pseudo gradient in the choice of model parameters of hydraulic unit vibrations. Sistemy upravleniia i informatsionnye tekhnologii, 51(1.1), pp. 113-117. [in Russian language]
9. Kuvaiskova Iu. E. (2013). Method of structural-parametric identification of the system of time series. Izvestiia Samarskogo nauchnogo tsentra RAN, 15(4–4), pp. 914-918. [in Russian language]
10. Krasheninnikov V. R., Kuvaiskova Iu. E. (2016). Forecasting the dynamics of an object using autoregressive models on a cylinder. Radiotekhnika, (9), pp. 36-39. [in Russian language]
11. AlgoMost: official site. Available at: http://algomost.com/ru/tasks/uploadfiles/58/train_utf_noid.sas7bdat (Accessed: 29.04.2017). [in Russian language]

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 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.2017.06.pp.011-016

и заполните  ФОРМУ 

Отправляя форму вы даете согласие на обработку персональных данных.

.

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 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.2017.06.pp.011-016

and fill out the  FORM  

.

 

 

 
Поиск
Баннер
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Rambler's Top100 Яндекс цитирования