Registration Number
0826U002703, PhD dissertation
Status
Доктор філософії
Date
28-07-2026
popup.evolution
o
Title
Mathematical models of multifactorial forecasting of content activity in global information networks
Author
Danylo R. Baran,
popup.head Oleksii O. Pysarchuk
popup.opponent Mikhailo Y. Rakushev
popup.opponent Alina S. Savchenko
popup.review Iryna A. Klymenko
popup.review Yurii O. Kulakov
popup.rada
National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute»
Description
Дисертаційна робота присвячена розв’язанню науково-прикладної задачі з розробки і удосконалення математичних моделей багатофакторного аналізу та машинного навчання для обробки часових рядів.
Головне завдання та ідея дисертаційної роботи полягає у розробці та удосконаленні математичних моделей, що забезпечують послідовність етапів, спрямованих на виявлення критичної активності інформаційного контенту в глобальних медіа, здатних змінити настрої та призвести до небезпечних дій соціуму. Інформаційний контент, його обговорення, що присутні в глобальних інформаційних мережах як сайти новин, інформаційні канали месенджерів, соціальні мережі, підлягає постійному цілодобовому моніторингу. Результатом є Big Data масив повідомлень – даних, що зберігаються у відповідній базі даних. Первинні масиви даних підлягають кластеризації на соціальні сфери (економіка, політика, безпекова, духовна тощо). Для кожного повідомлення з відповідної сфери встановлюється його тональність: негатив, позитив, нейтральне. В подальшому розраховується частота повідомлень за тональністю для кожної сфери, що формує відповідні часові ряди. Надалі первинні часові ряди підлягають: OLAP (online analytical processing) візуалізації результатів кластеризації, попередній обробці, вторинній обробці з використанням статистичного та глибинного навчання і прогнозування. Поточні та прогнозовані результати приводяться до інтегрованого показника за нелінійною схемою компромісів. Інтегрований показник аналізується на наявність біфуркаційного інтервалу (асимптотичне зростання), що може спричинити біфуркаційний перехід у настроях та діях соціуму під впливом негативних інформаційних повідомлень в різних сферах. Сумісний сигнатурний та окремий аналіз поведінки часових рядів з OLAP візуалізацією дозволяє оцінити причини появи біфуркаційних інтервалів – наслідків. Це може бути використано для своєчасної реакції у протидії негативним інформаційним повідомленням. Зазначені процеси реалізуються з використанням запропонованих математичних моделей кластеризації інформаційних повідомлень багатофакторного прогнозування активності контенту.
Використання запропонованих рішень забезпечує підвищення достовірності та повноти визначення домінантного інформаційного контенту в глобальних інформаційних мережах.
Результати роботи доведені до демонстраційного прототипу програмної системи, що доводить дієвість прийнятих рішень та отриманих науково-прикладних результатів.
Запропоновані рішення є доцільними для оперативного визначення соціальних настроїв різних сфер соціуму, фокус-групах, цільових аудиторій, що реалізуються: комерційними структурами в сфері надання послуг, реалізації продажів, тощо; в органах державного управління різної ланки – місцевого самоврядування, міністерств та відомств; в сфері безпеки і оборони.
Дисертаційні дослідження виконані відповідно до плану наукової роботи, затвердженому на кафедрі обчислювальної техніки КПІ ім. Ігоря Сікорського та у відповідності до положень Закону України «Про внесення змін до деяких законів України щодо пріоритетних напрямів розвитку науки і техніки та інноваційної діяльності» – розвиток сучасних інформаційних, комунікаційних технологій, робототехніки, в межах науково-дослідної роботи «Нелінійні та багатокритеріальні математичні моделі для технологій Data Science та Embedded Systems», державний реєстраційний номер: 0124U003323. Практична цінність роботи підтверджена актами впровадження.
Мета дисертаційних досліджень. Підвищення достовірності (точності оцінювання і прогнозу) та повноти (множини врахованих факторів) визначення домінантного інформаційного контенту в глобальних інформаційних мережах.
Наукова новизна отриманих результатів дисертаційних досліджень:
1. Отримала подальший розвиток математична модель кластеризації інформаційних повідомлень, яка базується на частотному аналізі їх тональності з використанні методологій обробки природньої мови з підтримкою великих мовних моделей.
2. Вперше запропоновано математичну модель багатофакторного прогнозування активності контенту в глобальних інформаційних мережах, яка базується на обробці та аналізі часових рядів з використанням методів статистичного та глибинного машинного навчання і відрізняється від відомих рішень.
3. Вперше розроблено технологію багатофакторного прогнозування активності контенту в глобальних інформаційних мережах, яка базується на реалізації запропонованих математичних моделей кластеризації інформаційних повідомлень та багатофакторного прогнозування активності контенту
Ключові слова: математична модель, машинне навчання, статистичне навчання, багатокритеріальна оптимізація, кластеризація, штучні нейронні мережі, комп’ютерна система, дослідження даних / Data Science, часові ряди / Time Series, обробка природньої мови / (NLP), великі дані / Big Data.
Registration Date
2026-06-21
popup.nrat_date
2026-06-21 / 2026-08-20
