Математичні моделі багатофакторного прогнозування активності контенту в глобальних інформаційних мережах
Вантажиться...
Дата
2026
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Баран Д.Р. Математичні моделі багатофакторного прогнозування активності контенту в глобальних інформаційних мережах. – Кваліфікаційна наукова робота на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 123 – Комп’ютерна інженерія з галузі знань 12 – Інформаційні технології. – Національний Технічний Університет України «Київський Політехнічний Інститут імені Ігоря Сікорського», Київ, 2025.
Дисертаційна робота присвячена розв’язанню науково-прикладної задачі з розробки і удосконалення математичних моделей багатофакторного аналізу та машинного навчання для обробки часових рядів. Головне завдання та ідея дисертаційної роботи полягає у розробці та удосконаленні математичних моделей, що забезпечують послідовність етапів, спрямованих на виявлення критичної активності інформаційного контенту в глобальних медіа, здатних змінити настрої та призвести до небезпечних дій соціуму. Інформаційний контент, його обговорення, що присутні в глобальних інформаційних мережах як сайти новин, інформаційні канали месенджерів, соціальні мережі, підлягає постійному цілодобовому моніторингу. Результатом є Big Data масив повідомлень – даних, що зберігаються у відповідній базі даних. Первинні масиви даних підлягають кластеризації на соціальні сфери (економіка, політика, безпекова, духовна тощо). Для кожного повідомлення з відповідної сфери встановлюється його тональність: негатив, позитив, нейтральне. В подальшому розраховується частота повідомлень за тональністю для кожної сфери, що формує відповідні часові ряди. Надалі первинні часові ряди підлягають: OLAP (online analytical processing) візуалізації результатів кластеризації, попередній обробці, вторинній обробці з використанням статистичного та глибинного навчання і прогнозування. Поточні та прогнозовані результати приводяться до інтегрованого показника за нелінійною схемою компромісів. Інтегрований показник аналізується на наявність біфуркаційного інтервалу (асимптотичне зростання), що може спричинити біфуркаційний перехід у настроях та діях соціуму під впливом негативних інформаційних повідомлень в різних сферах. Сумісний сигнатурний та окремий аналіз поведінки часових рядів з OLAP візуалізацією дозволяє оцінити причини появи біфуркаційних інтервалів – наслідків. Це може бути використано для своєчасної реакції у протидії негативним інформаційним повідомленням. Зазначені процеси реалізуються з використанням запропонованих математичних моделей кластеризації інформаційних повідомлень багатофакторного прогнозування активності контенту. Технологічно це реалізується на програмно-апаратному комплексі багатофакторного прогнозування активності контенту в глобальних інформаційних мережах, побудованому за принципами розподіленої комп’ютерної системи з відкритою архітектурою та із впровадженням принципів ситуаційного управління. Використання запропонованих рішень забезпечує підвищення достовірності та повноти визначення домінантного інформаційного контенту в глобальних інформаційних мережах. Результати роботи доведені до демонстраційного прототипу програмної системи, що доводить дієвість прийнятих рішень та отриманих науковоприкладних результатів. Запропоновані рішення є доцільними для оперативного визначення соціальних настроїв різних сфер соціуму, фокус-групах, цільових аудиторій, що реалізуються: комерційними структурами в сфері надання послуг, реалізації продажів, тощо; в органах державного управління різної ланки – місцевого самоврядування, міністерств та відомств; в сфері безпеки і оборони. Дисертаційні дослідження виконані відповідно до плану наукової роботи, затвердженому на кафедрі обчислювальної техніки КПІ ім. Ігоря Сікорського та у відповідності до положень Закону України «Про внесення змін до деяких законів України щодо пріоритетних напрямів розвитку науки і техніки та інноваційної діяльності» – розвиток сучасних інформаційних, комунікаційних технологій, робототехніки, в межах науково-дослідної роботи «Нелінійні та багатокритеріальні математичні моделі для технологій Data Science та Embedded Systems», державний реєстраційний номер: 0124U003323. Практична цінність роботи підтверджена актами впровадження (див. Додаток А). Мета дисертаційних досліджень. Підвищення достовірності (точності оцінювання і прогнозу) та повноти (множини врахованих факторів) визначення домінантного інформаційного контенту в глобальних інформаційних мережах. Для досягнення сформованої мети в дисертаційній роботі було вирішено комплекс взаємопов’язаних задач досліджень: - аналіз існуючих підходів до прогнозування інформаційного контенту в глобальних інформаційних мережах; - розробка математичної моделі кластеризації інформаційних повідомлень з індикаторами активності інформаційного контенту за тональністю і сферами діяльності соціуму та ієрархічною компресією вхідних Big Data масивів; - розробка математичної моделі багатофакторного прогнозування активності контенту в глобальних інформаційних мережах з обробкою та аналізом часових рядів з використанням методів статистичного та глибинного машинного навчання; - розробка технології багатофакторного прогнозування активності контенту в глобальних інформаційних мережах, яка базується на реалізації математичних моделей кластеризації інформаційних повідомлень та багатофакторного прогнозування активності контенту на спеціалізованому програмно-апаратному комплексі, побудованому за принципами розподіленої комп’ютерної системи з відкритою архітектурою; - розробка макету програмно-апаратного комплексу прогнозування активності контенту в глобальних інформаційних мережах та оцінювання ефективності запропонованих рішень. Наукова новизна отриманих результатів дисертаційних досліджень. 1. Отримала подальший розвиток математична модель кластеризації інформаційних повідомлень, яка базується на частотному аналізі їх тональності з використанні методологій обробки природньої мови (Natural Language Processing (NLP)) з підтримкою великих мовних, моделей; OLAP візуалізації результатів кластеризації та вирізняється встановленою системою індикаторів активності інформаційного контенту за сферами діяльності соціуму з ієрархічною компресією вхідних Big Data масивів. Це забезпечує підвищення повноти аналізу інформаційних повідомлень в глобальних інформаційних мережах шляхом врахування множини факторів за сферами діяльності соціуму. 2. Вперше запропоновано математичну модель багатофакторного прогнозування активності контенту в глобальних інформаційних мережах, яка базується на обробці та аналізі часових рядів з використанням методів статистичного та глибинного машинного навчання і відрізняється від відомих рішень: виявленням і очищенням вхідних даних від аномальних вимірів з оперативним аналізом динамічних та статистичних властивостей вимірів в ковзному вікні; визначенням параметрів нелінійних моделей з балансом диференціальних спектрів для методів статистичного навчання; модифікацією штучних нейронних мереж для обробки часових рядів із впровадженням нелінійної схеми компромісів у вхідному прошарку та формування навчальної вибірки для екстраполяції за методами статистичного навчання; визначенням інтегрованої оцінки активності інформаційного контенту за нелінійною схемою компромісів як результат багатофакторного аналізу вектору факторів за сферами діяльності соціуму; пошуком прогнозованих біфуркаційних інтервалів як критичної активності інформаційного контенту; Це забезпечує підвищення достовірності (ймовірності виявлення і точності прогнозу) домінантної активності контенту в глобальних інформаційних мережах. 3. Вперше розроблено технологію багатофакторного прогнозування активності контенту в глобальних інформаційних мережах, яка базується на реалізації запропонованих математичних моделей кластеризації інформаційних повідомлень та багатофакторного прогнозування активності контенту на спеціалізованому програмно-апаратному комплексі, побудованому за принципами розподіленої комп’ютерної системи з відкритою архітектурою та відрізняється впровадженням архітектурних рішень програмної компоненти з імплементацією розроблених математичних моделей кластеризації та багатофакторного прогнозування інформаційних повідомлень. Використання розробленої технології забезпечує підвищення достовірності та повноти визначення домінантного інформаційного контенту в глобальних інформаційних мережах.
Опис
Ключові слова
математична модель, машинне навчання, статистичне навчання, багатокритеріальна оптимізація, кластеризація, штучні нейронні мережі, комп’ютерна система, дослідження даних / Data Science, часові ряди / Time Series, обробка природньої мови / (NLP), великі дані / Big Data, mathematical model, machine learning, statistical learning, multicriteria optimization, clustering, artificial neural networks, computer system, data science, time series, natural language processing, big data
Бібліографічний опис
Баран, Д. Р. Математичні моделі багатофакторного прогнозування активності контенту в глобальних інформаційних мережах : дис. … д-ра філософії : 123 Комп'ютерна інженерія / Писарчук Олексій Олександрович. – Київ, 2026. – 256 с.