Писарчук, Олексій ОлександровичБаран, Данило Романович2026-07-162026-07-162026Баран, 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.https://ela.kpi.ua/handle/123456789/82256Баран 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.256 с.ukматематична модельмашинне навчаннястатистичне навчаннябагатокритеріальна оптимізаціякластеризаціяштучні нейронні мережікомп’ютерна системадослідження даних / Data Scienceчасові ряди / Time Seriesобробка природньої мови / (NLP)великі дані / Big Datamathematical modelmachine learningstatistical learningmulticriteria optimizationclusteringartificial neural networkscomputer systemdata sciencetime seriesnatural language processingbig dataThesis Doctoral004.75 (004.62)