МОДЕЛЮВАННЯ ДАНИХ ПРОЦЕСІВ МОНІТОРИНГУ ПРИ НЕРІВНОМІРНИХ І НЕЧІТКИХ ІНТЕРВАЛАХ СПОСТЕРЕЖЕНЬ
DOI:
https://doi.org/10.34185/1562-9945-4-135-2021-14Ключові слова:
моніторинг, нерівномірна у часі вибірка, сепарабельна модель, нечітка квантильна модель, моніторинг стану хворихАнотація
У статті досліджено актуальні завдання щодо моделювання і аналізу даних часових послідовностей моніторингу процесів з нерівномірними та нечіткими інтервалами вибірки. Реалізація завдань аналізу і прогнозування таких часових рядів виконується на основі сепара-бельної моделі, яка відрізняється окремим формуванням послідовностей величин показників процесу та інтервалів між спостереженнями. Сепарабельна модель була застосована для до-слідження процесів клінічного моніторингу стану хворих на діабет з метою визначення оцінок величин нового періоду до виникнення стану/подій, які відповідають встановленим вимогам.
Проведено оцінку ефективності удосконаленого квантильного алгоритму моделювання часових послідовностей, запропонованого у цій роботі. Реалізація моделей послідовностей вимірів з нечітким кроком виконується шляхом застосування підходу на основі α-рівнів. Для скаляризації нечіткого результату застосовувався метод центру ваги.
Посилання
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.
B. S. Chissom, “Fuzzy time series and its models,” Fuzzy Sets and Systems, vol. 54, issue 3, 1993b, pp. 269-277.
S. M. Chen, “Forecasting enrollments based on fuzzy time series,” Fuzzy Sets and Systems, vol. 81, 1996, pp. 311-319.
Pegat A. “Fuzzy modeling”, – М. BINOM, 2009, 798p.
R. Koenker, “Quantile Regression”, Cambridge University Press,NY- 2005.pp. 137–143.
Rutkovskiy L. Methods and technology of artificial intellect. – М. Hot line – Telecom, 210. – 520 с.
Tahseen A., Aqil S., Burney Cemal A. A New Quantile Based Fuzzy Time Series Forecasting Model [Електронний ресурс] – Режим доступу:
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.
S.S. Pal and S. Kar, “Fuzzy Time Series Model for Unequal Interval Length Using Genet-ic Algorithm” Advances in Intelligent Systems and Computing, vol. 699 2019.
J.L. Bernal, S. Cummins, A. Gasparrini “Interrupted time series regression for the evaluation of public health interventions: a tutorial”, International Journal of Epidemiol-ogy, vol. 46, Issue 1, 2016 рр. 348–355.
R. Gao, O. Duru “Parsimonious fuzzy time series modeling”, Expert Systems With Applications vol. 156, 2020.
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.
W. Koo, Shin Wee Wong, G. Selvachandran, Hoang Viet Long, Le Hoang Son, “Predic-tion of Air Pollution Index in Kuala Lumpur using fuzzy time series and statistical mod-els”, Air Quality, Atmosphere & Health vol. 13, 2019 pp. 77-88
T. A. Jilani, S. M. A. Burney, and C. Ardil, “Multivariate high order fuzzy time series forecasting for car road accidents,” International Journal of Computational Intelligence, vol. 4, issue 1,2007b, pp. 15-20.
Models and methods of socio-economic forecasting / Geyets V.M., Klebanova T.S., Chernyak O.I. – Kharkiv: PH « INZHEK», 205. – 396 p.
Methods of intelligent modeling of processes with a variable observation interval and constructive ordering “with weight” / V.V. Skalozub, B.B. Belyy, O.O. Galabut, О.V. Murashov // System technologies, 2020, vol. 5 (132). – Р. 83-98.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
