Моделі і методи прогнозування вулканічної активності з використанням технології штучного інтелекту

Скорочена інформація про документ
dc.contributor.advisorЗайченко, Олена Юріївна
dc.contributor.authorЗабєлін, Станіслав Ігорович
dc.date.accessioned2021-06-29T08:35:14Z
dc.date.available2021-06-29T08:35:14Z
dc.date.issued2020
dc.description.abstractenIn the dissertation the following new scientific results were first received: 1. A method of variable selection was developed for the first time, characterized in that it uses the results of the forecasting system to iteratively improve the selected variables. 2. Improved iterative method of reducing the dimension based on the method of Isomap, which differs in that it uses feedback from the test system, which allows to achieve high informativeness of variables. 3. Improved multi-criteria selection task, characterized in that the selection of variables uses levels of confidence, expert assessment of significance, to improve the accuracy of the model. 4. A new genetic algorithm has been developed to generate alternatives in the formation of a forecast that differs from the existing ones, using a special polynomial that connects all input variables and allows to reveal hidden relationships within variables. A forecasting system was developed. Various volcanic indicators are put forward to the system, according to which the required values will be predicted. At the stage of automatic data correction, the data is normalized, regularized, and interpolated, if necessary. The system then selects variables using correlation analysis, regression analysis and an iterative dimensionality reduction method. Further passing the multi-criteria rating choice. After multicriteria selection, the resulting variables are subjected to the facetization described in this section for more accurate model construction. Further, using fuzzy data, the LSTM fuzzy network is trained on a randomly selected time slice of input, while the rest of the data will be used as a test sample. After training the model, the data defuzzied and the model is validated on a test sample. If the obtained result meets the specified accuracy criterion, then the obtained model is optimal, otherwise a new iteration begins using an iterative dimensionality reduction method. The immediate practical significance of the results obtained during the dissertation research is that: 1. System was developed for predicting volcanic activity that uses iterative selection of variables, which can be used to predict not only volcanic activity, but to predict other natural phenomena, including earthquakes. 2. An evolutionary algorithm for predicting volcanic activity has been developed, which can create several alternative forecasts. 3. Achieved high forecasting accuracy compared to existing methods of dimension reduction when working with volcanic activity due to the modified method of dimension reduction of Isomap. 4. Increased forecasting accuracy due to improved selection of information variables and modified multicriteria selection problem. Experimental studies of the forecasting system and comparative analysis with existing analogues, which showed the advantage of the developed forecasting system over them. Thus, the prediction system was better by an average of 50% than linear regression, 38% better than the Bayesian network. The analysis of the forecasting system before data noise and its influence on the choice of variables is carried out. The analysis of the received populations of the evolutionary algorithm and their polynomials was carried out and efficiency of the polynomial which has increased accuracy of forecasting of individuals in populations on the average by 5%. A comparative analysis was done of existing methods of forecasting time series. Thus, the evolutionary algorithm turned out to be on average 6% better than VAR, and 20% better than linear regression.uk
dc.description.abstractukВ дисертації вперше отримані такі нові наукові результати: 1. Вперше розроблено метод селекції інформативних змінних, якийвідрізняється тим що використовує результати роботи системи прогнозуваннядля ітеративного поліпшення змінних які вибираються. 2. Вдосконалено ітеративний метод зменшення розмірності наоснові методу Isomap який відрізняється тим що використовує зворотнійзв’язок з перевірочної системою, який дозволяє досягти високоїінформативності змінних. 3. Удосконалена задача багатокритеріального вибору, якавідрізняється тим, що для вибору змінних використовуються рівні довіри,експертна оцінка значимості, для підвищення точності моделі. 4. Розроблено новий генетичний алгоритм для генеруванняальтернатив при формуванні прогнозу, який відрізняється від існуючих,використанням спеціального полінома, який зв’язує всі вхідні змінні тадозволяє розкрити приховані взаємозв'язки всередині змінних. Розроблено новий метод селекції інформаційних змінних який відрізняється від існуючих можливістю ефективно обробляти велику кількість вхідних даних різної сутності, завдяки наявності декількох незалежних частин відбору. Розроблено систему прогнозування. На вхід в систему подаються різні вулканічні показники, за якими буде відбуватися прогнозування шуканих величин. На етапі автоматичної корекції даних відбувається нормалізація дані, їх регуляризація і інтерполяція, якщо в цьому є необхідність. Система робить вибір змінних використовуючи кореляційний аналіз, регресійний аналіз і ітеративний метод зменшення розмірності. Які проходять рейтинговий багатокритерійний вибір. Після багатокритеріального вибору отримані змінні проходять фазифікацію, яка була описана в цьому розділі, для більш точного побудови моделі. Використовуючи нечіткі дані відбувається навчання LSTM нечіткої мережі на випадково обраному часовому відрізку вхідних даних, тоді як решта даних буде використовуватися як перевірочна вибірка. Після навчання моделі, відбувається дефазифікація даних, і перевірка моделі на перевірочної вибірці. Якщо отриманий результат відповідає заданому критерію точності, то отримана модель є оптимальною, інакше починається нова ітерація з використанням ітеративного методу зменшення розмірності. Безпосереднє практичне значення результатів, отриманих у ході дисертаційного дослідження, полягає в тому, що: 1. Розроблена система прогнозування вулканічної активності яка використовує ітеративний вибір змінних, яка може використовуватись для прогнозування не тільки вулканічної активності, але для прогнозування інших природних явищ, зокрема землетрусів. 2. Розроблено генетичний алгоритм прогнозування вулканічної активності, що може прогнозувати декілька альтернативних прогнозів. 3. Досягнута висока точність прогнозування в порівнянні з існуючими методами зменшення розмірності при роботі з вулканічною активністю завдяки модифікованому метод зменшення розмірності Isomap. 4. Збільшена точність прогнозування завдяки покращеній селекції інформаційних змінних і модифікованій задачі багатокритеріального вибору. Були проведені експериментальні дослідження системи прогнозування і порівняльний аналіз з існуючими аналогами, де було показано перевагу розробленої системи прогнозування над ними. Проведені експериментальні дослідження системи прогнозування і порівняльний аналіз з існуючими аналогами, де було показано перевагу розробленої системи прогнозування над ними. Так система прогнозування виявилася кращою в середньому на 50% ніж множинна регресія, на 38% ніж мережа Байєса. Проведено аналіз системи прогнозування до зашумлення даних і його вплив на вибір змінних. Проведено аналіз отриманих популяцій генетичного алгоритму і їх полиномів і доведена ефективність поліноміального полінома, яка збільшила точність прогнозування особин в популяціях в середньому на 5%. Проведено порівняльний аналіз існуючих методів прогнозування часових рядів. Так генетичний алгоритм виявився в середньому краще на 6% ніж VAR, і на 20% ніж множинна регресія.uk
dc.format.page162 с.uk
dc.identifier.citationЗабєлін, С. І. Моделі і методи прогнозування вулканічної активності з використанням технології штучного інтелекту : дис. … д-ра філософії : 122 – Комп’ютерні науки / Забєлін Станіслав Ігорович. – Київ, 2020. – 162 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/41864
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectнейроні мережіuk
dc.subjectгенетичний алгоритмuk
dc.subjectвибір зміннихuk
dc.subjectзменшення розмірностіuk
dc.subjectвулканиuk
dc.subjectнечіткі числаuk
dc.subjectвулканічна активністьuk
dc.subjectпрогнозуванняuk
dc.subjectneural networksuk
dc.subjectgenetic algorithmuk
dc.subjectvariable selectionuk
dc.subjectdimensionality reductionuk
dc.subjectfuzzy numbersuk
dc.subjectvolcanoesuk
dc.subjectvolcanic activityuk
dc.subjectforecastinguk
dc.subject.udc004.89uk
dc.titleМоделі і методи прогнозування вулканічної активності з використанням технології штучного інтелектуuk
dc.typeThesis Doctoraluk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Zabelin_dys.pdf
Розмір:
2.3 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.01 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Дисертації (ММСА)
Дисертації (вільний доступ)