Математичні моделі багатофакторного прогнозування активності контенту в глобальних інформаційних мережах
| dc.contributor.advisor | Писарчук, Олексій Олександрович | |
| dc.contributor.author | Баран, Данило Романович | |
| dc.date.accessioned | 2026-07-16T12:08:18Z | |
| dc.date.available | 2026-07-16T12:08:18Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | 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. | |
| dc.description.abstractother | Baran D.R. Mathematical models of multifactorial forecasting of content activity in global information networks. – Qualification scientific work as a manuscript. Dissertation for the degree of Doctor of Philosophy in the specialty 123 – Computer Engineering in the field of knowledge 12 – Information Technologies. – National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Kyiv, 2025. The dissertation is devoted to the solution of a scientific and applied problem for the development and improvement of mathematical models of multivariate analysis and machine learning for processing time series. The main task and idea of the dissertation is to develop and improve mathematical models that provide a sequence of stages aimed at identifying the critical activity of information content in global media that can change moods and lead to dangerous actions of society. Information content, its discussions, which are present in global information networks such as news sites, information channels of messengers, social networks, are subject to constant round-the-clock monitoring monitoring. The result is a Big Data array of messages – data stored in the corresponding database. Primary data sets are subject to clustering into social spheres (economy, politics, security, spiritual, etc.). For each message from the corresponding sphere, its tone is established: negative, positive, neutral. Subsequently, the frequency of messages by tone for each sphere is calculated, which forms the corresponding time series. In the future, primary time series are subject to: OLAP (online analytical processing) visualization of clustering results, pre-processing, secondary processing using statistical and deep learning and forecasting. Current and projected results are brought to an integrated indicator according to a nonlinear scheme of compromises. The integrated indicator is analyzed for the presence of a bifurcation interval (asymptotic growth), which can cause a bifurcation transition in the moods and actions of society under the influence of negative information messages in various areas. Compatible signature and separate analysis of the behavior of time series with OLAP visualization allows you to assess the causes of bifurcation intervals - consequences. This can be used for a timely response in countering negative information messages. These processes are implemented using the proposed mathematical models of clustering information messages, multifactorial forecasting of content activity. Technologically, this is implemented on a software and hardware complex for multifactorial forecasting of content activity in global information networks, built on the principles of a distributed computer system with an open architecture and with the introduction of the principles of situational management. The use of the proposed solutions ensures an increase in the reliability and completeness of the definition of dominant information content in global information networks. The results of the work were brought to a demonstration prototype of the software system, which proves the effectiveness of the decisions made and the obtained scientific and applied results. The proposed solutions are expedient for prompt determination of social moods of various spheres of society, focus groups, target audiences, which are implemented by: commercial structures in the field of providing services, sales, etc.; in public administration bodies of various levels – local self-government, ministries and departments; in the field of security and defense. The dissertation research was carried out in accordance with the plan of scientific work approved at the Department of Computer Engineering of Igor Sikorsky Kyiv Polytechnic Institute. Igor Sikorsky and in accordance with the provisions of the Law of Ukraine "On Amendments to Certain Laws of Ukraine on Priority Areas of Development of Science and Technology and Innovative Activity" – the development of modern information, communication technologies, robotics, within the framework of research work "Nonlinear and Multi-Criteria Mathematical Models for Data Science and Embedded Systems Technologies", state registration number: 0124U003323. The practical value of the work is confirmed by the implementation acts (see Appendix A). The purpose of dissertation research. Increasing the reliability (accuracy of assessment and forecast) and completeness (a set of factors taken into account) of determining the dominant information content in global information networks. To achieve the formed goal in the dissertation, a set of interrelated research tasks was solved: - analysis of existing approaches to forecasting information content in global information networks; - development of a mathematical model for clustering information messages with indicators of information content activity by tone and areas of activity of society and hierarchical compression of incoming Big Data arrays; - development of a mathematical model for multifactorial forecasting of content activity in global information networks with processing and analysis of time series using statistical and deep machine learning methods; - development of a technology for multifactorial forecasting of content activity in global information networks, which is based on the implementation of - mathematical models for clustering information messages and multifactor forecasting of content activity on a specialized software and hardware complex built on the principles of a distributed computer system with an open architecture; - development of a layout of a software and hardware complex for forecasting content activity in global information networks and evaluating the effectiveness of the proposed solutions. Scientific novelty of the results of dissertation research. 1. The mathematical model of clustering of information messages has been further developed, which is based on the frequency analysis of their tonality using Natural Language Processing (NLP) methodologies with the support of large language models; OLAP visualization of clustering results and is distinguished by an established system of indicators of information content activity by areas of activity of society with hierarchical compression of incoming Big Data arrays. This provides an increase in the completeness of the analysis of information messages in global information networks by taking into account many factors in the areas of activity of society. 2. For the first time, a mathematical model of multifactorial forecasting of content activity in global information networks is proposed, which is based on the processing and analysis of time series using statistical and deep machine learning methods and differs from the well-known solutions: detection and clearance of input data from abnormal measurements with operational analysis of dynamic and statistical properties of measurements in the sliding window; determination of parameters of nonlinear models with a balance of differential spectra for statistical training methods; modification of artificial neural networks for processing time series with the introduction of a nonlinear scheme of trade-offs in the input layer and the formation of a training sample for extrapolation by statistical learning methods; determination of an integrated assessment of the activity of information content according to a non-linear scheme of compromises as a result of a multifactorial analysis of the vector of factors by areas of activity of society; search for predicted bifurcation intervals as a critical activity of information content; This provides an increase in the reliability (probability of detection and accuracy of forecasting) of the dominant activity of content in global information networks. 3. For the first time, the technology of multifactorial forecasting of content activity in global information networks has been developed, which is based on the implementation of the proposed mathematical models of clustering of information messages and multifactor forecasting of content activity on a specialized software and hardware complex built on the principles of a distributed computer system with an open architecture and is distinguished by the implementation of architectural solutions of the software component with implementation of the developed mathematical models of clustering and multifactor forecasting of information messages. The use of the developed technology provides an increase in the reliability and completeness of the definition of dominant information content in global information networks. | |
| dc.format.extent | 256 с. | |
| dc.identifier.citation | 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. | |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/82256 | |
| dc.language.iso | uk | |
| dc.publisher | КПІ ім. Ігоря Сікорського | |
| dc.publisher.place | Київ | |
| dc.subject | математична модель | |
| dc.subject | машинне навчання | |
| dc.subject | статистичне навчання | |
| dc.subject | багатокритеріальна оптимізація | |
| dc.subject | кластеризація | |
| dc.subject | штучні нейронні мережі | |
| dc.subject | комп’ютерна система | |
| dc.subject | дослідження даних / Data Science | |
| dc.subject | часові ряди / Time Series | |
| dc.subject | обробка природньої мови / (NLP) | |
| dc.subject | великі дані / Big Data | |
| dc.subject | mathematical model | |
| dc.subject | machine learning | |
| dc.subject | statistical learning | |
| dc.subject | multicriteria optimization | |
| dc.subject | clustering | |
| dc.subject | artificial neural networks | |
| dc.subject | computer system | |
| dc.subject | data science | |
| dc.subject | time series | |
| dc.subject | natural language processing | |
| dc.subject | big data | |
| dc.subject.udc | 004.75 (004.62) | |
| dc.title | Математичні моделі багатофакторного прогнозування активності контенту в глобальних інформаційних мережах | |
| dc.title.alternative | Mathematical models of multifactorial forecasting of content activity in global information networks | |
| dc.type | Thesis Doctoral |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: