Computer systems and information technologies

КОНЦЕПЦІЯ ІНФОРМАЦІЙНОЇ СИСТЕМИ ДЛЯ ПРОГНОЗУВАННЯ ТЕМПЕРАТУРНОГО РЕЖИМУ ЗЕМНОЇ ПОВЕРХНІ НА ОСНОВІ МАШИННОГО НАВЧАННЯ

2024-05-27T16:49:11+00:00

В роботі представлено концепцію інформаційної системи для прогнозування температурного режиму земної поверхні з використанням машинного навчання. Прогнозування здійснюється на основі історичних даних для певної території. Для підвищення точності результатів прогнозування здійснено аналіз особливостей кліматичних зон для виявлення закономірностей. Проведено порівняння залежностей середніх місячних температур земної поверхні у країнах, залежно від їх розташування у кліматичних поясах.

Аналіз джерел та наукових публікацій підтвердив актуальність обраної тематики дослідження. Розглянуто історичні аспекти прогнозування змін кліматичних показників. Проаналізовано сучасні методи та підходи до прогнозування температури, їх переваги та недоліки. Проведено огляд предметної області та визначено закономірності зміни температури відповідно до кліматичних особливостей.

Проведено порівняння температурних режимів для країн, розташованих у різних кліматичних зонах. Для наочності побудовано графіки зміни температур та обраховано середні показники для кожної кліматичної зони.

Результати дослідження підтверджують необхідність коригування температурного прогнозу для певних територій, з врахуванням їх розташування у конкретному кліматичному поясі. Виявлені закономірності у температурному режимі країн свідчать про необхідність індивідуального підходу до прогнозування та використання таких методів машинного навчання, які найкраще адаптуються до залежностей, що спостерігаються у кліматичній зоні.

Запропоновано архітектуру інформаційної системи для прогнозування майбутніх температур в залежності від кліматичних особливостей досліджуваних територій. Сформовано концепцію для подальших досліджень для пошуку більш точних та ефективних підходів до прогнозування кліматичних параметрів та досягнення цілей сталого розвитку.

МОДЕЛЬ ПРОЦЕСУ ЗАБЕЗПЕЧЕННЯ ВІДМОВОСТІЙКОСТІ В МЕРЕЖАХ ІНТЕРНЕТУ РЕЧЕЙ

2024-05-21T10:28:01+00:00

Інтернет речей — це концепція, яка описує мережу фізичних об’єктів, оснащених вбудованими технологіями, які дозволяють їм збирати та обмінюватися даними через Інтернет. Основна ідея полягає в тому, щоб з’єднати різні пристрої та об’єкти, які нас оточують, щоб вони могли співпрацювати та взаємодіяти один з одним без прямого втручання людини. Однак це несе в собі певний ризик: збої в таких системах можуть мати серйозні наслідки, включно з можливими фатальними подіями. Таким чином, надійність систем Інтернету речей стає критичною в багатьох сферах, особливо в тих, де безпека є пріоритетом. Проблеми, які перешкоджає вирішенню цієї задачі, в першу чергу пов’язані із неоднорідністю середовища Інтернету речей, відсутністю комунікації про збої та несправності між елементами мережі, а також гетерогенність середовища. Як наслідок, час виявлення помилок у таких мережах є досить великий. Тому метою роботи є моделювання процесу забезпечення відмовостійкості з метою скорочення часу виявлення несправностей у мережах Інтернету речей шляхом проектування та впровадження системи забезпечення відмовостійкості в мережі Інтернет речей.

У роботі представлено модель забезпечення багаторівневої відмовостійкості у мережі Інтернету речей, яка описує ключові концепції, сутності та зв’язки, а також визначає основні етапи і процеси, які включаються у забезпечення відмовостійкості. Дана модель є основою функціонування системи забезпечення відмовостійкості. Запропоновано концепцію системи забезпечення відмовостійкості, яка інтегрується у існуючі мережі Інтернету речей. Введено поняття агентів забезпечення відмовостійкості, що складають основу системи забезпечення відмовостійкості, і які комунікують між собою для забезпечення обміну інформації про виникнення помилки. Запропоновано два локальні механізми забезпечення відмовостійкості, які визначають функціональність агентів. Для перевірки ефективності виявлення помилок було проведено експериментальні дослідження, які включали два сценарії виявлення помилок із використанням двох локальних механізмів забезпечення відмовостійкості.

СУЧАСНІ ВІДНОВЛЮВАНІ ДЖЕРЕЛА ЕНЕРГІЇ ТА МЕТОДИ ВИЗНАЧЕННЯ ЇХ ДЕФЕКТІВ

2024-06-03T17:18:38+00:00

У статті представлено основні відновлювані джерела енергії (ВДЕ), зокрема сонячну, вітрову, гідроенергію, а також енергію біомаси та геотермальну енергію. Важливість цих джерел полягає в зменшенні залежності від викопного палива та скороченні викидів парникових газів. Проведено аналіз об’єктів ВДЕ та технології їх впровадження. Проаналізовано сучасний стан та перспективи розвитку відновлюваних джерел енергії в Україні та світі. У 2018 році Україна приєдналася до Міжнародне агентство з відновлюваних джерел енергії IRENA (International Renewable Energy Agency) з метою розвитку ВДЕ. Ця організація заснована для підтримки використання усіх форм відновлюваних джерел енергії. Згідно даних агенства на кінець 2023 року відновлювані джерела енергії становили 43% світової встановленої потужності. Загальна кількість об’єктів відновлюваних джерел енергії збільшується щорічно, втім відновлювані джерела енергії становлять половину загальної потужності. У 2023 році відбулося найбільше зростання потужностей відновлюваної енергетики на сьогоднішній день (з додаванням 473 ГВт відновлюваної енергії) – збільшення запасів відновлюваної енергії на 13,9%. Відновлювані джерела енергії становлять рекордні 86% світового збільшення електроенергії, в основному завдяки значному зростанню сонячної та вітрової енергії. Крім того, у статті наголошується на важливості надійності та ефективності установок, що використовують відновлювані джерела енергії. Описано основні методи виявлення пошкоджень у системах відновлюваної енергетики. Для виявлення пошкоджень ВДЕ найчастіше використовуються методи виявлення, засновані на акустичній емісії, на основі ультразвуку, вібрації, термографії, машинного зору та на основі вимірювання деформації. Розвиток відновлюваних джерел енергії стимулює економічне зростання та створює нові робочі місця у виробництві, установці, обслуговуванні та управлінні енергетичними установками. Інвестиції в зелену енергетику сприяють розвитку технологій, підвищенню конкурентоспроможності та створенню інноваційних галузей економіки.

ІНФОРМАЦІЙНА СИСТЕМА ДЛЯ ОПРАЦЮВАННЯ ДАНИХ У СПОРТИВНІЙ ГАЛУЗІ ЗА ДОПОМОГОЮ МЕТОДУ ВИПАДКОВОГО ЛІСУ

2024-06-02T08:46:39+00:00

У цій статті розглядається розробка інформаційної системи для опрацювання даних у спортивній галузі з використанням методу випадковий ліс (Random Forest). Метою даної системи є забезпечення ефективного збору, обробки та аналізу великих обсягів даних, що генеруються в спортивних змаганнях, тренуваннях, а також у взаємодії з вболівальниками та іншими зацікавленими сторонами.

Метод випадковий ліс, будучи одним з найбільш потужних і точних методів машинного навчання, дозволяє здійснювати надійний аналіз та прогнозування на основі різноманітних типів даних, включаючи статистику гравців, результати матчів, фізіологічні показники та поведінкові дані вболівальників. У статті детально описуються етапи створення інформаційної системи, від збору даних до їхньої обробки, зберігання та аналізу.

Результати дослідження показують, що використання методу випадковий ліс у системі опрацювання спортивних даних значно підвищує точність прогнозів та ефективність прийняття рішень. Запропонована система може бути корисною для спортивних аналітиків, тренерів, менеджерів команд, а також для підвищення взаємодії з вболівальниками.

Запропонована інформаційна система з використанням методу випадковий ліс забезпечує високу точність та ефективність в опрацюванні спортивних даних, що дозволяє покращити процеси аналізу та прийняття рішень у спортивній галузі.

Ключові слова: інформаційна система, спортивні дані, метод випадковий ліс, машинне навчання, аналіз даних

ПРОБЛЕМАТИКА КОНВЕРГЕНЦІЇ МЕРЕЖЕВОЇ ІНФРАСТРУКТУРИ УКРАЇНИ ТА ЄС: ІНДЕКС ЦИФРОВОЇ ЕКОНОМІКИ ТА СУСПІЛЬСТВА

2024-05-27T16:50:29+00:00

Мережева інфраструктура є основою для ефективного функціонування сучасної цифрової економіки. Успіх української економіки додатково залежить від сумісності її мережевої інфраструктури з мережевою інфраструктурою ЄС. Тому важлвою є задача аналізу станів мережевої інфраструктури ЄС та України з метою виявлення об визначити викликів, які Україні потрібно буде подолати на шляху конвергенції української цифрової економіки з цифровою економікою ЄС. Актуальність роботи обґрунтовується тим, що впровадження передових цифрових мережевих технологій, узгоджених з європейськими, є одним із шляхів підвищення майбутньої конкурентоспроможності української економіки.

Індекс цифрової економіки та суспільства (DESI) узагальнює низку показників ефективності цифрових технологій у Європі та дозволяє оцінити стан цифрової економіки та суспільства. Ця робота присвячена аналізу одного з індикаторів DESI, а саме цифрової інфраструктури, як в Європейському Союзі (ЄС), так і в Україні. Аналіз охоплює цифрові інфраструктури визначені DESI 2023, такі як щонайменше 100 Мбіт/с фіксованого широкосмугового зв’язку, щонайменше 1 Гбіт/с широкосмугового зв’язку, фіксоване покриття мереж дуже високої пропускної здатності (VHCN), оптоволокно до приміщення (FTTP), використання мобільного широкосмугового зв’язку, покриття 5G.

Аналіз показав, що Україна на біжучий момент має добрий стан з впровадженням технології FTTP, і, відповідно, вона може стати основою для конвергенції цифрової інфраструктури України та ЄС. Проте, згідно з нашим аналізом, Україні терміново необхідно прискорити впровадження мереж 5G, яка сприятиме модернізації та відновленню національної економіки. Результати аналізу будуть корисними для зближення цифрової економіки України з європейською цифровою економікою.

ПРОГНОЗУВАННЯ УСПІШНОСТІ ЗДОБУВАЧІВ ОСВІТИ З ОКРЕМОЇ ОСВІТНЬОЇ КОМПОНЕНТИ НА ОСНОВІ РЕЗУЛЬТАТІВ ПОПЕРЕДНЬОГО ЗАСВОЄННЯ ПРЕДМЕТНИХ КОМПЕТЕНТНОСТЕЙ

2024-05-21T10:34:07+00:00

В роботі розглянуто основні поняття, пов'язані з якістю освіти у цілому та засвоєнням здобувачами вищої освіти навчального матеріалу. Сформульовано задачу прогнозування оцінки студента з будь-якої дисципліни, маючи дані щодо засвоєння ним програмних результатів навчання, які відповідають також цій дисципліні. Описано наявну спеціалізовану інформаційну систему власної розробки, яка застосовує низку методів (багатофакторна лінійна регресія, штучні нейронні мережі, k-найближчих сусідів) та визначає такий метод, який буде максимально ефективними для аналізу конкретних даних. Зазначено, що при подальшому вдосконалюванні системи якості оцінювання знань важливо визначити, на якому рівні здобувач освіти володіє здобутими компетентностями – тобто проводити розрахунок успішності студентів у термінах загальних і фахових компетентностей та програмних результатів навчання, визначених стандартами вищої освіти та розробленими на їхній основі освітніми програмами. Наведено розроблений алгоритм розрахунку успішності здобувачів вищої освіти в термінах програмних результатів навчання; згідно з цим алгоритмом підготовлено дані щодо засвоєння 78 здобувачами першого рівня вищої освіти освітньо-професійної програми «Інтелектуальні системи прийняття рішень» спеціальності 124 «Системний аналіз» ДДМА компетентностей створення програмного забезпечення. Для розв’язання задачі прогнозування методом штучних нейронних мереж запропоновано мову програмування та аналізу даних R. Створено скрипт для пошуку оптимальної архітектури нейронної мережі. З’ясовано, що найкращий результат (кореляція – 0,9599; середня абсолютна приведена помилка – 0,1132; відсоток вірно спрогнозованих балів за українською шкалою – 79,2) забезпечує персептрон з двома прихованими шарами та п’ятьома нейронами у кожному шарі. Далі ця мережа була застосована для прогнозування успішності нової академічної групи: кореляція – 0,923; середня абсолютна приведена помилка – 0,0654; відсоток вірно спрогнозованих балів за українською шкалою – 82,4. Отримані результати можна буде застосувати для оцінки якості структурно-логічної схеми ОПП та у роботі кафедри під час аналізу успішності студентів тощо.

ОПТИМІЗАЦІЯ ПАРАМЕТРІВ КІБЕРФІЗИЧНОЇ СИСТЕМИ НА ОСНОВІ ДАНИХ ІНТЕЛЕКТУАЛЬНИХ СЕНСОРІВ IoT

2024-05-21T10:35:04+00:00

Оптимізація параметрів кіберфізичних систем (КФС) виконується з інтеграцією обчислень, мереж та фізичних процесів у структурах Інтернету речей (IoT). Використання інтелектуальних сенсорів IoT має вирішальне значення для збору даних у реальному часі, що необхідно для підвищення ефективності, надійності та продуктивності КФС.

Проаналізовано різні методи оптимізації параметрів КФС, які розподілено на підходи на основі моделі, підходи на основі даних та гібридні підходи. Підходи на основі моделей, функціонують згідно з математичними моделями для опису поведінки КФС і використовують алгоритми оптимізації, такі як лінійне програмування та еволюційні алгоритми, щоб передбачити реакцію системи та оптимізувати параметри. Проте, обмеження підходів на основі моделей пов’язані зі складними системами з невизначеною або динамічною поведінкою. Підходи, керовані даними, більш ефективні для складних кіберфізичних систем. У цих підходах використовуються методи машинного навчання та аналізу даних для визначення шаблонів із даних сенсорів, які потім використовуються для налаштування параметрів системи. Гібридні підходи поєднують елементи методів, заснованих на моделях, і методів, керованих даними.

За результатами проведених досліджень розроблено метод оптимізації параметрів кіберфізичної системи на основі обробки даних інтелектуальних сенсорів IoT з використанням розподіленої нейронної мережі. Поставлено задачу оптимізації з обмеженнями для параметрів системи. Запропоновано математичну модель нейронної мережі та алгоритм навчання.

Проведене дослідження показує важливість розробки методів оптимізації для параметрів КФС на основі даних інтелектуальних сенсорів, враховуючи еволюцію сучасних технологій IoT. Інтеграція інтелектуальних датчиків у КФС пропонує нові можливості для оптимізації продуктивності системи, але також може призводити до проблем в управлінні даними та безпеці, які слід вирішити в майбутньому.

СИСТЕМА КІБЕР-ФІЗИЧНОГО СПОСТЕРЕЖЕННЯ ЯК ЧАСТИНА ІНТЕРНЕТУ ТРАНСПОРТНИХ ЗАСОБІВ

2024-05-21T10:38:03+00:00

Інтеграція кіберфізичних систем спостереження (КФСС) у парадигму Інтернету транспортних засобів (IoV) представляє трансформаційний підхід до підвищення безпеки та ефективності транспортування. У цій статті розглядається дизайн, впровадження та застосування КФСС як частину екосистем IoV. Використовуючи досягнення в сенсорних технологіях, протоколах зв’язку та аналітиці даних, КФСС в рамках IoV дозволяє здійснювати моніторинг, аналіз і реагування на дорожні умови, інциденти та надзвичайні ситуації в реальному часі. Наше дослідження вивчає архітектуру та функціональні можливості КФСС, включаючи розгортання датчиків, об’єднання даних, виявлення аномалій та механізми підтримки прийняття рішень. Ми досліджуємо синергетичну взаємодію між платформами КФСС та IoV, сприяючи безперебійному обміну даними, співпраці та сумісності між автомобільними та інфраструктурними доменами. Крім того, ми обговорюємо потенційні застосування КФСС в управлінні дорожнім рухом, правоохоронній діяльності, реагуванні на надзвичайні ситуації та міському плануванні, підкреслюючи його роль у підвищенні безпеки транспортування, оптимізації розподілу ресурсів і запобіганню заторів і аварій.

За допомогою емпіричних оцінок і тематичних досліджень ми демонструємо ефективність, масштабованість і вплив на суспільство інтеграції КФСС в екосистеми IoV. Це дослідження робить внесок у розвиток інтелектуальних транспортних систем і підкреслює трансформаційний потенціал КФСС в контексті IoV.

ДОСЛІДЖЕННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ДЛЯ ПРОГНОЗУВАННЯ ЙМОВІРНОСТІ ПОМИЛОК У МОДЕЛЯХ БІЗНЕС-ПРОЦЕСІВ З ВИКОРИСТАННЯМ ЛОГІСТИЧНОЇ РЕГРЕСІЇ

2024-05-21T10:37:15+00:00

Моделювання бізнес-процесів дозволяє графічно зображувати організаційні активності та пов’язані з ними події. Це, в свою чергу, дозволяє визначати напрямки покращення діяльності підприємства, визначати вимоги до програмних рішень та в цілому – для порозуміння ІТ- та бізнес-сторін всередині або поміж різними організаціями. Таким чином, вже на етапі представлення діяльності у вигляді моделі необхідно розуміти наскільки ймовірним є виникнення помилок під час реалізації зображеного бізнес-процесу. Отже, дана робота має на меті підвищення якості моделей бізнес-процесів за рахунок розв’язання задачі прогнозування ймовірності виникнення помилок виконання бізнес-процесів. Для того, щоб для кожної моделі бізнес-процесу з навчального набору даних призначити ймовірності виникнення помилок, пропонується використовувати одну з метрик складності – коефіцієнт структурної зв’язності. Для прогнозування ймовірності виникнення помилок при виконанні бізнес-процесів пропонується використовувати найпростішу та інтуїтивно зрозумілу модель машинного навчання – логістичну регресію. В ролі незалежних змінних пропонується обрати базові метрики моделювання бізнес-процесів – кількість вузлів та дуг. Таким чином, алгоритм розв’язання поставленої задачі включає кроки, пов’язані з обчисленням ймовірностей для навчального набору даних, підготовку навчального та тестового наборів, визначення параметрів регресії, візуалізацію та оцінювання результатів навчання. Для програмного забезпечення, яке реалізує запропонований підхід, було обрано клієнт-серверну архітектуру завдяки її гнучкості та здатності до масштабування. Під час розробки програмних компонентів було використано бібліотеку машинного навчання Scikit-Learn та мову програмування Python для побудови математичної моделі логістичної регресії. Прикладна частина реалізована як веб-застосунок на основі MySQL, платформи Node JS та веб-фреймворку Express JS. Результати оцінювання якості розробленої моделі прогнозування кажуть про придатність програмного забезпечення до розв’язання поставленої задачі прогнозування ймовірності виникнення помилок виконання бізнес-процесів.

ОЦІНКА СТІЙКОСТІ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ НЕЙРОКОМП'ЮТЕРНОГО ІНТЕРФЕЙСУ З ВИКОРИСТАННЯМ РОЗПОДІЛЕНИХ ТА ПАРАЛЕЛЬНИХ КОМП'ЮТЕРНИХ ОБЧИСЛЕНЬ

2024-05-21T10:32:55+00:00

Ця стаття висвітлює галузь інформаційних технологій для взаємодії мозок-комп’ютер, і головна мета полягає в тому, щоб використовувати їх для визначення моделей активності мозку людини за допомогою даних електроенцефалографії (ЕЕГ). Під час виконання статті були використані методи машинного навчання, а саме такі класифікатори, як випадковий ліс, багатошаровий персептрон і логістична регресія. Досліджування починається з реальних експериментів із записом сигналів ЕЕГ під час виконання завдань з рухами пальців, що дає цінне розуміння складної динаміки роботи та взаємодії мозку.

Використовуючи 10-кратну перехресну перевірку, продуктивність кожного класифікатора ретельно оцінюється за різними показниками, включаючи accuracy, f1_weighted та roc_auc_ovr_weighted. За допомогою цього процесу оцінюється надійність і узгодженість продуктивності класифікатора з обчисленням значень дисперсії для вимірювання мінливості між ітераціями. Результати виявляють тонкі відмінності між класифікаторами, причому багатошаровий персептрон демонструє найвищу стійкість, за ним йдуть логістична регресія та випадковий ліс.

Основною метою статті було з’ясувати важливість такого параметра продуктивності класифікатора, як стійкість. Стійкість програмного забезпечення є ключовою характеристикою, особливо в медичних додатках, де послідовна та надійна робота інформаційних технологій має першочергове значення. Нейроінтерфейси пропонують багато способів вирішення різних проблем кінцівок, травм спинного мозку та неврологічних захворювань у людей. Ці пристрої сприяють покращенню якості життя шляхом мінімізації цих проблем у людей, що призводить до збільшення мобільності та функціональних можливостей людей. У статті також наголошується на потенціалі, пов’язаному з трансформацією технологій нейроінтерфейсів у розширенні можливостей людини та революції у взаємодії людини з машиною.

Підсумовуючи, дослідження робить внесок у розвиток взаємодії мозку та комп’ютера шляхом використання алгоритмів машинного навчання для декодування нейронних сигналів і виявлення прихованих закономірностей у даних ЕЕГ. Визначивши найстабільніший класифікатор, дослідження закладає основу для розробки надійних технологій нейроінтерфейсу з практичним застосуванням у сфері охорони здоров’я, реабілітації тощо. Завдяки міждисциплінарному співробітництву та інноваційним методологіям продовжується шлях до розкриття повного потенціалу взаємодії мозку та комп’ютера, що обіцяє нові горизонти в розвитку людського потенціалу та технологічних інноваціях.