Гібридні моделі короткострокового прогнозування часових рядів на основі штучних імунних систем

Іващенко, Г. С.

Публікація:
Гібридні моделі короткострокового прогнозування часових рядів на основі штучних імунних систем

dc.contributor.author	Іващенко, Г. С.
dc.date.accessioned	2016-10-12T08:13:10Z
dc.date.available	2016-10-12T08:13:10Z
dc.date.issued	2016
dc.description.abstract	Дисертаційна робота присвячена розробці гібридних моделей на основі штучних імунних систем, які об’єднують переваги моделі клонального відбору, моделі штучної імунної мережі, методу виведення за прецедентами і існуючих методів прогнозування, що дозволяє підвищити як точність прогнозу, так і стійкість до викривлень у вихідних даних. Розглянуто використання мультиантитіл у якості прецедентів в моделі штучної імунної мережі. Отримана модель відрізняється можливістю змінювати параметри роботи і структуру імунної мережі в процесі навчання ШІС. Запропоновано гібридну модель, яка виконує фрагментацію вихідного часового ряду та підбір для кожного фрагмента свого методу прогнозування, що дозволяє скоротити обсяг навчальної вибірки і підвищити точність прогнозу. Для проведення сегментації дана модель використовує поєднання методу висновку за прецедентами та моделі клонального відбору. Вперше запропоновано гібридну модель на основі моделі клонального відбору, яка використовується для прогнозування викривлених часових рядів, враховує вплив зовнішніх факторів, дозволяє підвищити точність прогнозування та забезпечує отримання прогнозу в режимі реального часу. Для забезпечення обробки даних в режимі реального часу в роботі розглянуто підходи до розпаралелювання гібридних моделей прогнозування на основі систем з загальною та індивідуальною пам’яттю. Запропоновано показник для визначення застосовності імунного підходу, заснованого на моделі клонального відбору і CBR, який дозволяє перед вирі-шенням завдання короткострокового прогнозування виконувати налаштування параметрів гібридної моделі прогнозування, що дозволяє скоротити час навчання ШІС і зменшити розмір популяції антитіл. Розроблено інструментальне середовище для аналізу імунного алгоритму і вирішення завдання короткострокового прогнозування часових рядів, що дозволяє виконувати порівняльний аналіз для оцінки ефективності запропонованих підходів. Dissertation work is devoted to development of hybrid models of short-term time series prediction based on a combination of the principles of artificial immune systems and existing forecasting methods that can improve the forecast accuracy and resistance to distortion of the original data. The hybrid model of time series forecasting is proposed. This model performs fragmentation of the original time series and selection for each fragment of his prediction method, which reduces of learning sample and increases the accuracy of the forecast. For the time series segmentation the model uses a combination of the case based reasoning and the model of clonal selection. Considered using of multiantibodies as precedents in the artificial immune network model. The resulting model can change the parameters of the work and structure of the immune network in the learning process. The hybrid model based on the model of clonal selection is proposed. This model is used to predict of the distorted time series, takes into account the impact of external factors and allows increasing the accuracy of the forecast, and provides a possibility of forecast in real time. To ensure data processing in real time, these approaches use parallel systems based on common and individual memory. Criterion is proposed for determining the applicability of the immune approach of short-term time series forecasting based on the model of clonal selection and a CBR, which allows configuring parameters of hybrid model, that reduces the time for training of AIS and reduces the size of the antibody population. It was developed instrumental environment for the analysis of the immune algorithm and solving the problem of short-term time series forecasting, which allows to perform a comparative analysis for evaluating effectiveness of the proposed approaches.	uk_UA
dc.identifier.citation	Іващенко Г. С. Гібридні моделі короткострокового прогнозування часових рядів на основі штучних імунних систем : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / Г. С. Іващенко ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2016. – 20 с.	uk_UA
dc.identifier.uri	http://openarchive.nure.ua/handle/document/3271
dc.language.iso	uk	uk_UA
dc.subject	часовий ряд	uk_UA
dc.subject	моделі прогнозування	uk_UA
dc.subject	висновок за прецедентами	uk_UA
dc.subject	штучні імунні системи	uk_UA
dc.subject	клональний відбір	uk_UA
dc.subject	імунна мережа	uk_UA
dc.subject	паралельні обчислення	uk_UA
dc.subject	time series	uk_UA
dc.subject	forecasting model	uk_UA
dc.subject	case based reasoning	uk_UA
dc.subject	artificial immune system	uk_UA
dc.subject	clonal selection	uk_UA
dc.subject	immune network	uk_UA
dc.subject	parallel computing	uk_UA
dc.title	Гібридні моделі короткострокового прогнозування часових рядів на основі штучних імунних систем	uk_UA
dc.type	Other	uk_UA
dspace.entity.type	Publication