Порівняльний аналіз авторегресійних підходів та рекурентних нейронних мереж для моделювання і прогнозування нелінійних нестаціонарних процесів

Скорочена інформація про документ
dc.contributor.authorБелас, Олег Миколайович
dc.contributor.authorБідюк, Петро Іванович
dc.contributor.authorБелас, Андрій Олегович
dc.date.accessioned2020-05-30T20:46:12Z
dc.date.available2020-05-30T20:46:12Z
dc.date.issued2019
dc.description.abstractНелінійні нестаціонарні процеси, представлені у вигляді часових рядів, можуть собою описувати динаміку процесів як в технічних, так і у економічних системах. Прогнозування таких процесів має численні застосування в енергетиці, мережевих системах, торгівлі, інвестиційній діяльності. Однак, на даний час не існує єдиного підходу для моделювання і прогнозування таких процесів. У роботі розглянуто найбільш уживані підходи. Вони вважаються ефективними для роботи з даними, представленими у вигляді послідовностей: авторегресійні моделі та рекурентні нейронні мережі. Класичні регресійні підходи прогнозують цільову змінну лінійною комбінацією минулих значень цієї змінної. Тому доволі просто використовуються як з теоретичної, так і з обчислювальної точок зору завдяки простій структурі. Проте даний підхід обмежується складністю враховування великої кількості зовнішніх факторів через проблему мультиколінеарності, а також їх можливий нелінійний вплив. Нейронні мережі навчаються на досвіді і адаптуються до змін середовища, яке моделюється. Нейронні технології застосовуються для нелінійного моделювання, стійкі до інформаційних завад і здатні до узагальнення на основі історичних даних. Використання нейронних мереж дозволяє отримувати точні та адекватні моделі, навіть за якісного аналізу взаємозв’язків факторів, що впливає на результат прогнозування. Тому для роботи з послідовностями використовують рекурентні нейронні мережі. Це дозволяє вирішити поставлену задачу моделювання з урахуванням нелінійного або комбінованого впливу зовнішніх факторів. Однак, застосування даного підходу обмежується великими обчислювальними витратами. До того ж цей підхід не може застосовуватися для дуже довгих послідовностей. Це є проблемою для вирішення сучасних задач з використанням великих за обсягом даних. З аналізу випливає необхідність розроблення, нового, ефективного з обчислювальної точки зору підходу до моделювання великих послідовностей з урахуванням нелінійного або комбінованого впливу зовнішніх факторівuk
dc.description.abstractenNonlinear nonstationary processes presented in the form of time series can describe the dynamics of processes in both technical and economic systems. Forecasting of such processes has numerous applications in power engineering, network systems, trade, and investment activities. However, there is no single approach to modeling and predicting such processes currently. This paper considers the most commonly used approaches. They are considered to be effective in working with data presented in the form of sequences: autoregressive models and recurrent neural networks. Classical regression approaches predict a target variable by a linear combination of past values of this variable. Therefore, they are quite simply used both from the theoretical and computational point of view due to the simple structure. However, this approach is limited to the complexity of taking into account a large number of external factors due to the problem of multicollinearity, as well as their possible nonlinear influence. Neural networks learn from experience and adapt to a changing environment that is modeled. Neural technologies are used for nonlinear modeling, resistant to information noise and capable of generalization based on historical data. The use of neural networks allows obtaining accurate and adequate models, even with a qualitative analysis of the interconnections factors that influence the result of forecasting. Therefore, recurrent neural networks are used to work with sequences. This allows solving the problem of modeling taking into account the nonlinear or combined effects of external factors. However, the application of this approach is limited to large computational costs. In addition, this approach can’t be applied to very long sequences. This is a problem for solving modern problems using large amount of data. From the analysis, it follows from the necessity of developing a new, effective from a computational point of view approach to modeling large sequences taking into account the nonlinear or combined effects of external factorsen
dc.format.extentС. 91-99uk
dc.identifier.citationБелас, О. Порівняльний аналіз авторегресійних підходів та рекурентних нейронних мереж для моделювання і прогнозування нелінійних нестаціонарних процесів / Олег Белас, Петро Бідюк, Андрій Белас // Information Technology and Security. – 2019. – Vol. 7, Iss. 1 (12). – Pp. 91–99. – Bibliogr.: 10 ref.uk
dc.identifier.doihttps://doi.org/10.20535/2411-1031.2019.7.1.184395
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/33878
dc.language.isouken
dc.publisherInstitute of Special Communication and Information Protection of National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”en
dc.publisher.placeKyiven
dc.relation.ispartofInformation Technology and Security : Ukrainian research papers collection, 2019, Vol. 7, Iss. 1 (12)en
dc.subjectматематичне моделюванняuk
dc.subjectобробка сигналівuk
dc.subjectнестаціонарні процесиuk
dc.subjectавторегресійні моделіuk
dc.subjectнейронні мережіuk
dc.subjectрекурентні нейронні мережіuk
dc.subjectmathematical modelingen
dc.subjectsignal processingen
dc.subjectnonstationary processesen
dc.subjectautoregressive modelsen
dc.subjectneural networksen
dc.subjectrecurrent neural networksen
dc.subject.udc004.942::519.216.3en
dc.titleПорівняльний аналіз авторегресійних підходів та рекурентних нейронних мереж для моделювання і прогнозування нелінійних нестаціонарних процесівuk
dc.title.alternativeComparative analysis of autoregressive approaches and recurrent neural networks for modeling and forecasting nonlinear nonstationary processesen
dc.typeArticleen

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
ITS2019-7-1_09.pdf
Розмір:
660.65 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Information Technology and Security, Vol. 7, Iss. 1 (12)