ОПИСАНИЕ И ИДЕНТИФИКАЦИЯ ТЕМПОРАЛЬНЫХ ЗАКОНОМЕРНОСТЕЙ ДЛЯ НЕЧЕТКОГО ВРЕМЕННОГО РЯДА С ПРИМЕНЕНИЕМ ГИБРИДНЫХ ОЛСПАТТЕРНОВ


https://doi.org/10.21822/2073-6185-2018-45-2-104-113

Полный текст:


Аннотация

Цель. Цель исследования сводится к разработке принципа хранения шаблонов данных с учетом их темпоральной природы, позволяющего сократить время принятия решений.Для описания и идентификации темпоральных закономерностей поведения нечетко заданных временных рядов в режиме реального времени поставлена задача разработать гибридную структуру данных, позволяющую учитывать последовательности нечетких значений, формируемых из четких наблюдаемых данных, длину этих последовательностей и возможные неравномерные временные промежутки между наблюдениями.

Метод. В статье рассматривается подход к формализации описания временных причинно-следственных связей между событиями на объекте и в окружающей его среде, основанный на множестве односвязных списков триплетов. Каждый триплет содержит нечеткий терм лингвистической переменной, продолжительность его наблюдения и допустимый интервал наблюдения незначимых данных.

Результат. Разработан алгоритм обнаружения паттернов базы знаний в реальном времени с учетом возможности временного сдвига при наблюдении длинных последовательностей идентичных значений наблюдаемой величины. Учтена возможность частичного перекрытия данных, соответствующих триплетам разных паттернов. Предложенный гибридный паттерн позволяет ускорить обнаружение темпоральных закономерностей в данных.

Вывод. Научные результаты представляет разработанная структура хранения информации о темпоральных закономерностях в данных, основанная на односвязном линейном списке, а также алгоритм поиска закономерностей в данных наблюдений с применением набора ОЛС-паттернов. Преимуществом данной структуры и алгоритма по сравнению с известными способами хранения и анализа темпоральных данных является сокращение объема памяти, необходимой для хранения шаблонов в базе знаний, а также возможность применения ОЛС-паттернов для принятия решений.


Об авторах

Д. В. Дульцев
Алтайский государственный технический университет им. И.И. Ползунова
Россия

656038, г. Барнаул, пр. Ленина, 46

Дульцев Денис Вячеславович – аспирант, кафедра информатики, вычислительной техники и информационной безопасности.





Л. И. Сучкова
Алтайский государственный технический университет им. И.И. Ползунова
Россия

656038, г. Барнаул, пр. Ленина, 46

Сучкова Лариса Иннокентьевна – доктор технических наук, профессор, кафедра информатики, вычислительной техники и информационной безопасности.





Список литературы

1. Ковалев С.М. Модели представления и поиска нечетких темпоральных знаний в базах временных рядов [Текст] / С.М. Ковалев // Труды XI Национальной конференции по искусственному интеллекту с международным участием. – Дубна, 2008.

2. Антипов С. Г. Методы диагностики динамических объектов на основе анализа временных рядов [Текст] / С. Г. Антипов, В. Н. Вагин, М. В. Фомина // ИТНОУ: информационные технологии в науке, образовании и управлении, 2017. – № 2 (2). – C. 3-12.

3. Антипов С. Г. Проблема обнаружения аномалий в наборах временных рядов [Текст] / С. Г. Антипов, М. В. Фомина // Программные продукты и системы, 2012. – № 2. – C. 78-82.

4. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений[Текст] / Л.А. Заде – М.: Мир, 1976. – 165 с.

5. Афанасьева Т.В. Нечеткое моделирование временных рядов и анализ нечетких тенденций [Текст] / Т. В. Афанасьева, Н. Г. Ярушкина. – Ульяновск: УлГТУ, 2009. – 299 с.

6. Староверова К. Ю. Мера различия временных рядов, основанная на их характеристиках [Текст] / К. Ю. Староверова, В. М. Буре // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления, 2017. – Т. 13. Вып. 1. – С. 51–60.

7. Song, Q. Forecasting enrollments with fuzzy time series – Part I [Text] / Q. Song, B. Chissom // Fuzzy Sets Systems, 1993. – Vol. 54. – P. 1–9.

8. Tanaka, H. Linear Regression Analysis with Fuzzy Model [Text] / H. Tanaka, S. Uejima, K. Asai // IEEE Transactions on Systems, Man and Cybernetics. – 1982. – Vol. 12. – P.903-907.

9. Kacprzyk J. Linguistic Summarization of Time Series by Using the Choquet Integral [Text] / J. Kacprzyk, A. Wilbik, S. Zadrozny // Proceedings of 12th Fuzzy Systems Association World Congress (IFSA’2007, Cancun, Mexico, June 18-21, 2007) Theoretical Advances and Applications of Fuzzy Logic. – N-Y.: Springer Verlag, 2007.

10. Pedrycz W. Granular Сorrelation Analysis in Data Mining [Text] / W. Pedrycz, M.H. Smith // Proceedings of IEEE International Fuzzy Systems Conference, Korea. – 1999. – Vol.III. – IH-1240.

11. Новак, В. Интегральный метод принятия решений и анализа нечетких временных рядов / Новак В., Перфильева И.В., Ярушкина Н.Г., Афанасьева Т.В. // Программные продукты и системы. – 2008. – № 4(84). – С. 65-68.

12. Batyrshin, I. Perception based time series data mining in intelligent decision making systems / Batyrshin I., Sheremetov L. – IPEK YOLU. CollectionofarticlesofAzerbaijanUniversity. – 2009. - № 2. - pp. 68-72.

13. Ковалев С.М. Гибридные нечетко-темпоральные модели временных рядов в задачах анализа и идентификации слабо формализованных процессов [Текст] / С.М. Ковалев // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Труды IV-й Международной научно-практической конференции (Коломна, 28-30 мая 2007 г.): в 4 т. – М.: Физматлит, 2007. – Т. 1. – С. 26-41.

14. Ковалев С.М. Обнаружение особых типов паттернов во временных рядах на основе гибридной стохастической модели [Текст] / С.М. Ковалев, А. В. Суханов // Известия ЮФУ. Технические науки. – 2014. – №4 (153). – С. 142-149.

15. Ковалев С.М. Методы многошагового предсказания аномалий в темпоральных данных [Текст] / С.М. Ковалев // Известия ЮФУ. Технические науки. – 2013. – №7 (144). – С. 85-91.

16. Ковалев С.М. Упреждающее распознавание нечетких темпоральных паттернов в потоковых данных на основе адаптивных марковских моделей [Текст] / С.М. Ковалев // XIII национальная конференция по искусственному интеллекту с международным участием КИИ-2012 (16-20 октября 2012 г., Белгород, Россия): труды конференции в 4 т. – Белгород: Изд-во БГТУ, 2012. – Т. 2. – С. 313-322.

17. Ковалев С.М. Формирование ассоциативных темпоральных правил в базах данных временных рядов на основе темпоральных сетевых моделей [Текст] / С.М. Ковалев // XII национальная конференция по искусственному интеллекту с международным участием КИИ-2010 (20-24 сентября 2010 г., Тверь, Россия): труды конференции в 4 т. – М: Физматлит, 2010. – Т. 3. – С. 321-329.

18. Сучкова Л.И. Подход к прогнозированию нештатных ситуаций в системах мониторинга с использованием паттернов поведения группы временных рядов [Текст] / Л.И. Сучкова // Ползуновский вестник. – 2013. – № 2. – С. 88-92.

19. Бучацкая В. В. Обработка аномальных значений уровней временного ряда как этап комплексной оценки информации в подсистеме прогнозирования для ситуационного центра [Текст] / В. В. Бучацкая// Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки, 2013. – № 3 (122). – C. 105-110.

20. Вульфин А. М. Нейросетевая модель анализа технологических временных рядов в рамках методологии Data Mining [Текст] / А. М. Вульфин, А. И. Фрид // Информационно-управляющие системы, 2011. – № 5. – С. 31-38.


Дополнительные файлы

Для цитирования: Дульцев Д.В., Сучкова Л.И. ОПИСАНИЕ И ИДЕНТИФИКАЦИЯ ТЕМПОРАЛЬНЫХ ЗАКОНОМЕРНОСТЕЙ ДЛЯ НЕЧЕТКОГО ВРЕМЕННОГО РЯДА С ПРИМЕНЕНИЕМ ГИБРИДНЫХ ОЛСПАТТЕРНОВ. Вестник Дагестанского государственного технического университета. Технические науки. 2018;45(2):104-113. https://doi.org/10.21822/2073-6185-2018-45-2-104-113

For citation: Dultsev D.V., Suchkova L.I. DESCRIPTION AND IDENTIFICATION OF TEMPORAL REGULARITIES FOR FUZZY TIME SERIES WITH APPLICATION OF HYBRID OLS-PATTERNS. Herald of Dagestan State Technical University. Technical Sciences. 2018;45(2):104-113. (In Russ.) https://doi.org/10.21822/2073-6185-2018-45-2-104-113

Просмотров: 72

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2073-6185 (Print)
ISSN 2542-095X (Online)