МУЛЬТИВИХІДНІ РЕГРЕСІЙНІ МОДЕЛІ ДЛЯ УПРАВЛІННЯ БАГАТОКОМПОНЕНТНИМИ ДИНАМІЧНИМИ СИСТЕМАМИ
DOI:
https://doi.org/10.32782/tnv-tech.2024.6.12Ключові слова:
мультивихідні регресійні моделі, багатокомпонентні системи, прогнозування стану систем, ансамблеві підходи, регуляризаціяАнотація
Сучасні багатокомпонентні системи визначаються взаємодією численних внутрішніх компонентів і зовнішніх факторів, які можуть мати як регулярний, так і хаотичний характер. Ефективне управління такими системами вимагає інструментів, здатних забезпечувати точне прогнозування стану за умов невизначеності та обмеженості вхідних даних. У статті досліджено використання мультивихідних регресійних моделей, що дозволяють враховувати взаємозалежності між компонентами системи, оптимізовувати параметричний простір і підвищувати точність прогнозування. Мультивихідні моделі забезпечують одночасне прогнозування кількох аспектів стану системи, знижуючи похибки та підвищуючи узагальнювальну здатність моделей. У статті детально розглянуто методи вдосконалення таких моделей, серед яких мінімізація впливу шуму, врахування часових масштабів змін компонентів, оптимізація для малих вибірок даних, а також підвищення інтерпретованості прогнозів. Запропоновано підходи до роботи з малою кількістю даних, включаючи обмін знаннями між задачами та використання генеративних моделей. Особливу увагу надано викликам, які виникають при застосуванні мультивихідних моделей, зокрема ризику перенавчання, конфліктам між цілями оптимізації та впливу кореляційних упереджень. Розглянуто способи мінімізації цих ризиків, зокрема адаптацію багатокритеріальної оптимізації, регуляризацію параметрів, а також розробку ієрархічних моделей, здатних враховувати динаміку систем на різних часових рівнях. Виділяються ансамблеві підходи, які дозволяють інтегрувати результати підмоделей у єдину архітектуру для підвищення стійкості до шуму, точності прогнозування та адаптивності моделей до змінних умов. Запропоновані у статті підходи мають практичну значущість для автоматизації процесу прийняття рішень у складних багатокомпонентних системах, що функціонують в умовах високої варіативності та обмеженості даних. Це забезпечує комплексний підхід до прогнозування, що сприяє ефективнішому управлінню динамічними системами у різних галузях. Таким чином, стаття робить значний внесок у розвиток методології моделювання складних систем і розширює можливості їх аналізу та управління.
Посилання
Jin X., Zhang J., Su T., Bai Y., Kong J., Wang X. Modeling and analysis of datadriven аsystems through computational neuroscience wavelet-deep optimized model for nonlinear multicomponent data forecasting. Computational Intelligence and Neuroscience. 2021. URL: https://doi.org/10.1155/2021/8810046
Симонов Д. І., Заіка Б. Ю. Моделювання управління складними інформаційними багатокомпонентними системами. Науковий вісник Ужгородського університету. Серія «Математика і інформатика». 2024. Вип. 44(1). С. 168–174. URL: https://doi.org/10.24144/2616-7700.2024.44(1).168-174
Daraghmeh M., Agarwal A., Jararweh Y. Optimizing serverless computing: A comparative analysis of multi-output regression models for predictive function invocations. Simulation Modelling Practice and Theory. 2024. Vol. 134. Article 102925. URL: https://doi.org/10.1016/j.simpat.2024.102925
Emami S. S., Martínez-Muñoz G. Deep learning for multi-output regression using gradient boosting. IEEE Access. 2024. Vol. 12. P. 17760–17772. URL: https://doi.org/10.1109/ACCESS.2024.3359115
Salehi F., Abbasi E., Hassibi B. The impact of regularization on high-dimensional logistic regression. ArXiv. 2019. Vol. abs/1906.03761. URL: https://doi.org/10.48550/arXiv.1906.03761
Tan C., Chen S., Ji G., Geng X. Multilabel distribution learning based on multioutput regression and manifold learning. IEEE Transactions on Cybernetics. 2020. Vol. 52. P. 5064–5078. URL: https://doi.org/10.1109/TCYB.2020.3026576
Khodarahmi M., Maihami V. A review on Kalman filter models. Archives of Computational Methods in Engineering. 2022. Vol. 30. P. 727–747. URL: https://doi.org/10.1007/s11831-022-09815-7
Guo L., Chen W., Liao Y., Liao H., Li J. Y. An edge-preserved image denoising algorithm based on local adaptive regularization. Journal of Sensors. 2016. Vol. 2016. Article ID 2019569:1–2019569:6. URL: https://doi.org/10.1155/2016/2019569
Tanaka G., Matsumori T., Yoshida H., Aihara K. Reservoir computing with diverse timescales for prediction of multiscale dynamics. Physical Review Research. 2022. Vol. 4, Iss. 3. Article L032014. URL: https://doi.org/10.1103/PhysRevResearch.4.L032014
Петрик Б. В., Неласа Г., Дубровін В. Аналіз часових послідовних потоків даних мережевого трафіку на основі вейвлет-перетворення. Прикладні питання математичного моделювання. 2020. Т. 3, № 1. С. 168–177. URL: https://doi.org/10.32782/2618-0340/2020.1-3.17
Salih A. M., Raisi‐Estabragh Z., Galazzo I. B., Radeva P., Petersen S. E., Lekadir K., Menegaz G. A perspective on explainable artificial intelligence methods: SHAP and LIME. Advanced Intelligent Systems. 2024. Article 2400304. URL: https://doi.org/10.1002/aisy.202400304
Wu Y., Zhou Y. Prediction and feature analysis of punching shear strength of two-way reinforced concrete slabs using optimized machine learning algorithm and Shapley additive explanations. Mechanics of Advanced Materials and Structures. 2023. Vol. 30. P. 3086–3096. URL: https://doi.org/10.1080/15376494.2022.2068209
Shin J. Feasibility of local interpretable model-agnostic explanations (LIME) algorithm as an effective and interpretable feature selection method: comparative fNIRS study. Biomedical Engineering Letters. 2023. Vol. 13. P. 689–703. URL: https://doi.org/10.1007/s13534-023-00291-x
Symonov D., Symonov Y. Methods for selecting models of functioning of multicomponent information and environmental systems. Scientific Journal «Mathematical Modeling». 2024. Vol. 1, No 50. P. 57–63. URL: https://doi.org/10.31319/2519-8106.1(50)2024.304943
Симонов Д. І. Метод ентропії як інструмент оптимізації складних систем. Журнал обчислювальної та прикладної математики. 2024. № 1. С. 49–58. URL: https://doi.org/10.17721/2706-9699.2024.1.04
Do N., Hoang V., Doan V. A novel non-profiled side channel attack based on multi-output regression neural network. Journal of Cryptographic Engineering. 2023. Vol. 14. P. 427–439. URL: https://doi.org/10.1007/s13389-023-00314-4
Li C., Rakitsch B., Zimmer C. Safe active learning for multi-output Gaussian processes. ArXiv. 2022. Vol. abs/2203.14849. URL: https://doi.org/10.48550/arXiv.2203.14849
Park M., Choi Y., Lee N., Kim D. SpReME: Sparse regression for multienvironment dynamic systems. ArXiv. 2023. Vol. abs/2302.05942. URL: https://doi.org/10.48550/arXiv.2302.05942
Choe B., Kang T., Jung K. Recommendation system with hierarchical recurrent neural network for long-term time series. IEEE Access. 2021. Vol. 9. P. 72033–72039. URL: https://doi.org/10.1109/ACCESS.2021.3079922
Zhou X., Zhai N., Li S., Shi H. Time series prediction method of industrial process with limited data based on transfer learning. IEEE Transactions on Industrial Informatics. 2023. Vol. 19. P. 6872–6882. URL: https://doi.org/10.1109/TII.2022.3191980
Wang C., Chen X., Wu C., Wang H. AutoTS: Automatic time series forecasting model design based on two-stage pruning. ArXiv. 2022. Vol. abs/2203.14169. URL: https://doi.org/10.48550/arXiv.2203.14169
Tsanas A., Xifara A. Energy efficiency [Dataset]. UCI Machine Learning Repository. 2012. URL: https://doi.org/10.24432/C51307
