РЕЛЯЦІЙНО-СЕПАРАБЕЛЬНІ МОДЕЛІ ПРОЦЕСІВ МОНІТОРИНГУ ПРИ ПЕРЕМІННИХ І НЕЧІТКИХ ІНТЕРВАЛАХ СПОСТЕРЕЖЕНЬ

Автор(и)

  • Skalozub Vladyslav
  • Horiachkin Vadim
  • Murashov Oleg

DOI:

https://doi.org/10.34185/1562-9945-4-147-2023-01

Ключові слова:

процеси моніторингу, нерівномірний та нечіткий інтервал вибірки, сепарабельна модель, нечіткі реляційні відношення, реляційно-сепарабельна модель, комбінований квантильний алгоритм, моніторинг стану хворих.

Анотація

Стаття присвячена розвитку комбінованих моделей, методів і засобів, призначених для вирішення актуальних завдань моделювання та аналізу даних процесів моніторингу, які представлені часовими рядами і відрізняються перемінним або нечітким інтервалом спостережень (ЧРПНІ). В наших попередніх дослідженнях для реалізації завдань аналізу і прогнозування характеристик ЧРПНІ була запропонована сепарабельна модель (СПМ), а також удосконалений квантильний алгоритм. При реалізації процесів моніторингу з нечітким кроком інтервалів спостережень застосувався підхід на основі декомпозиції за допомогою α-рівнів. Засобами моделі СПМ і квантильного алгоритму були досліджені дані клінічного моніторингу процесів реабілітації хворих на діабет. В цій роботі для підвищення точності та ефективності моделювання і аналізу процесів ЧРПНІ запропоновані нові реляційно-сепарабельна модель (РСМ) і комбінований квантиль-ний алгоритм. Реляційна модель визначається системою нечітких реляційних відношень першого та другого порядку, отриманих на основі вихідної послідовності даних. У комбіно-ваному алгоритмі результати розрахунків, отримані за СПМ і моделями нечітких реляцій-них відношень, узагальнювалися при оптимальному виборі вагових коефіцієнтів для окре-мих складових. В результаті виконаних досліджень шляхом числового моделювання було встановлено, що запровадження комбінованих моделей процесів при ЧРПНІ являється раціональним та ре-зультативним. Приклади аналізу даних моніторингу процесів реабілітації хворих на діабет показали певні можливості забезпечення вимоги до точності результатів аналізу показників та їх короткострокового прогнозування.

Посилання

David J. Forecasting Data Published at Irregular Time Intervals Using an Extension of Holt's Method: Published by: INFORMS Stable URL: Accessed: 26-05-2015 UTC REFERENCES: http://www.jstor.org/stable/2631582?seq=1&cid=pdf-reference#references_tab_contents

Elorrieta F., Eyheramendy S., Palma W. Discrete-time autoregressive model for unequally spaced time-series observations. A&A 627, A120 (2019) https://doi.org/10.1051/0004-6361/201935560, ESO 2019 Astronomy & Astrophysics.

Jan Prüser. Adaptive learning from model space. DOI: 10.1002/for.2549.

Skalozub V.V., Murashov O.V. (2021) Modeling of data monitoring processes with uneven and unclear observation intervals. "System technologies". Issue 4 (135).

-148.

Q. Song, and B. S. Chissom, “Forecasting enrollments with fuzzy time series — Part I,” Fuzzy Sets and Systems, vol. 54, issue 1, 1993a, pp. 1¬9.

Piegat A. Fuzzy modelling and control [Техт] / Pfysica-Verlag, Heidelberg, 2001. – 698 pp.

Koenker R. “Quantile Regression”, Cambridge University Press, NY- 2005.

pp. 137 – 143.

Tahseen A., Aqil S., Burney Cemal A. A New Quantile Based Fuzzy Time Series Forecasting Model. https://publications.waset.org/14214/pdf

E. Bas, U. Yolcu and E. Egrioglu, “Intuitionistic fuzzy time series functions approach for time series forecasting”, Granular Computing, 2020.

Pal S.S., Kar S. “Fuzzy Time Series Model for Unequal Interval Length Using Genetic Algorithm”. Advances in Intelligent Systems and Computing, vol. 699 2019.

Bernal J.L., Cummins S., Gasparrini A. “Interrupted time series regression for the evaluation of public health interventions: a tutorial”. International Journal of Epidemiology, vol. 46, Issue 1, 2016 рр. 348–355.

Carla S. M¨oller-Levet, F. Klawonn, Kwang-Hyun Cho and O. Wolkenhauer, “Fuzzy Clustering of Short Time-Series and Unevenly Distributed Sampling Points”, Advances in Intelligent Data Analysis V, 2003 pp. 330–340.

Models and methods of socio-economic forecasting / Geets V.M., Kleba-nova T.S., Chernyak O.I. - Kharkiv: VD "INZHEK", 205. - 396 p.

Skalozub V.V. Methods of intellectual modeling of processes with a variable interval of observations and constructive ordering "with weight" / Skalozub V.V., White B.B., Galabut O.O., Murashov O.V. // System technologies. – 2020. – Issue 5 (132). - P. 83-98.

Опубліковано

2023-11-13