Оптимизация параметров гибридного алгоритма прогнозирования с использованием ансамбля моделей в режиме реального времени; Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика; Т. 2, № 4
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика: сетевое издание/ Национальный исследовательский Томский политехнический университет.— .— Томск: ТПУ, 2023-.— 2413-1830 Т. 2, № 4.— 2024.— С. 26-33 |
|---|---|
| Altres autors: | , , |
| Sumari: | Целью данной работы является развитие технологий ансамблевого или мульти моделирования для оптимизации параметров модели прогнозирования. Предлагаемая модель прогнозирования в виде рекуррентного штрафного сплайна (Р-сплайн) имеет несколько настраиваемых параметров, что обеспечивает адаптивность модели для предсказания поведения временного ряда по его ретроспективным значениям. Создание ансамбля моделей в классе варьируемых параметров Р-сплайна является исходной информацией для продольной кластеризации временного ряда. Подобный подход позволяет оценить вдоль временной оси центры кластеров, которые и соответствуют оптимальным значениям параметров модели на выбранном сегменте временного ряда в режиме реального времени. Это позволило повысить эффективность рекуррентного P-сплайна как модели прогнозирования в реальном времени, сократить вычислительные затраты и увеличить быстродействие алгоритмов прогнозирования Aim. To develop ensemble or multi-modeling technologies for optimization of forecasting model parameters. The proposed forecasting model in the form of a recurrent penalty spline (P-spline) has several adjustable parameters, which ensures the adaptability of the model for predicting the behavior of a time series based on its retrospective values. Creating an ensemble of models in the class of variable P-spline parameters is the initial information for longitudinal clustering of time series. Such an approach allows us to estimate the centers of clusters along the time axis, which correspond to the optimal values of the model parameters on the selected time series segment in real time. This made it possible to increase the efficiency of the recurrent P-spline as a real-time forecasting model, reduce computational costs and increase the performance of forecasting algorithms Текстовый файл |
| Idioma: | rus |
| Publicat: |
2024
|
| Matèries: | |
| Accés en línia: | https://earchive.tpu.ru/handle/11683/82229 https://doi.org/10.18799/29495407/2024/4/76 |
| Format: | Electrònic Capítol de llibre |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=678005 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 678005 | ||
| 005 | 20250117181722.0 | ||
| 090 | |a 678005 | ||
| 100 | |a 20241229d2024 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Оптимизация параметров гибридного алгоритма прогнозирования с использованием ансамбля моделей в режиме реального времени |d Optimization of hybrid-forecasting algorithm parameters using a model ensemble in real time |z eng |f Елена Алексеевна Кочегурова, Софья Михайловна Сайберт, Ксения Витальевна Татьянкина | |
| 320 | |a Список литературы: с. 31-32 (21 назв.) | ||
| 330 | |a Целью данной работы является развитие технологий ансамблевого или мульти моделирования для оптимизации параметров модели прогнозирования. Предлагаемая модель прогнозирования в виде рекуррентного штрафного сплайна (Р-сплайн) имеет несколько настраиваемых параметров, что обеспечивает адаптивность модели для предсказания поведения временного ряда по его ретроспективным значениям. Создание ансамбля моделей в классе варьируемых параметров Р-сплайна является исходной информацией для продольной кластеризации временного ряда. Подобный подход позволяет оценить вдоль временной оси центры кластеров, которые и соответствуют оптимальным значениям параметров модели на выбранном сегменте временного ряда в режиме реального времени. Это позволило повысить эффективность рекуррентного P-сплайна как модели прогнозирования в реальном времени, сократить вычислительные затраты и увеличить быстродействие алгоритмов прогнозирования | ||
| 330 | |a Aim. To develop ensemble or multi-modeling technologies for optimization of forecasting model parameters. The proposed forecasting model in the form of a recurrent penalty spline (P-spline) has several adjustable parameters, which ensures the adaptability of the model for predicting the behavior of a time series based on its retrospective values. Creating an ensemble of models in the class of variable P-spline parameters is the initial information for longitudinal clustering of time series. Such an approach allows us to estimate the centers of clusters along the time axis, which correspond to the optimal values of the model parameters on the selected time series segment in real time. This made it possible to increase the efficiency of the recurrent P-spline as a real-time forecasting model, reduce computational costs and increase the performance of forecasting algorithms | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 672190 |9 672190 |t Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика |o сетевое издание |f Национальный исследовательский Томский политехнический университет |c Томск |n ТПУ |d 2023- |x 2413-1830 | |
| 463 | 1 | |0 677999 |9 677999 |t Т. 2, № 4 |d 2024 |v С. 26-33 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a прогнозирование в реальном времени | |
| 610 | 1 | |a штрафной P-сплайн | |
| 610 | 1 | |a ансамблевое моделирование | |
| 610 | 1 | |a показатели эффективности | |
| 610 | 1 | |a плотностная кластеризация | |
| 610 | 1 | |a real-time forecasting | |
| 610 | 1 | |a penalized P-spline | |
| 610 | 1 | |a ensemble modeling | |
| 610 | 1 | |a performance metrics | |
| 610 | 1 | |a density clustering | |
| 701 | 1 | |a Кочегурова |b Е. А. |c специалист в области информатики и вычислительной техники |c доцент Томского политехнического университета, кандидат технических наук |f 1958- |g Елена Алексеевна |9 12640 | |
| 701 | 1 | |a Сайберт |b С. М. |g Софья Михайловна | |
| 701 | 1 | |a Татьянкина |b К. В. |g Ксения Витальевна | |
| 801 | 0 | |a RU |b 63413507 |c 20241229 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u https://earchive.tpu.ru/handle/11683/82229 |z https://earchive.tpu.ru/handle/11683/82229 | |
| 856 | 4 | |u https://doi.org/10.18799/29495407/2024/4/76 |z https://doi.org/10.18799/29495407/2024/4/76 | |
| 942 | |c CF | ||