Registration Number
0826U005212, PhD dissertation
Status
Доктор філософії
Date
07-10-2026
popup.evolution
o
Чому дисертація має статус "Запланована"?
Title
Machine learning models and methods for spatiotemporal forecasting using the example of smart grids
Author
Vladyslav O. Haidukevych,
popup.head Аnatolii Y. Doroshenko
popup.opponent Inna V. Stetsenko
popup.opponent Yaroslav V. Tereshchenko
popup.review Pavlo A. IVANENKO
popup.review Dmytro V. RAHOZIN
popup.rada
Institute of Software Systems of National Academy of Sciences of Ukraine
Description
Об’єкт дослідження: процеси машинного навчання для прогнозування часових рядів на прикладі енергетичних мережевих об'єктів.
Предмет дослідження: нейронна архітектура прогностичної системи, алгоритми та моделі машинного навчання для підвищення точності прогнозування поведінки мережевих об'єктів.
Мета дисертаційної роботи: підвищити точність прогнозування та ефективність управління розумними мережевими об'єктами в умовах невизначеності та динамічної мінливості режимів енергоспоживання.
У роботі отримані нові наукові результати:
1. Вперше розроблено гібридну нейромережеву модель ST-GAT для предиктивного моделювання станів динамічних графів із забезпеченням паралельного аналізу топологічних і часових залежностей та зниженням похибки RMSE на 30.7%, яка, на відміну від рекурентних підходів, базується на інтеграції графових шарів уваги (GAT) та темпоральних згорткових блоків (TCN) з дилатованими шарами.
2. Дістав подальшого розвитку метод навчання нейромережевих моделей для забезпечення физичної адекватності та просторової узгодженості прогнозів між суміжними вузлами без використання орієнтованих графів, який, на відміну від існуючих підходів, реалізує принцип Physics-Informed Machine Learning шляхом впровадження у функцію втрат авторської метрики просторової узгодженості (SCE), що математично штрафує модель за порушення структури розподілу параметрів.
3. Дістав подальшого розвитку метод адаптивного керування життєвим циклом інтелектуальних моделей (механізм PAM) для забезпечення їх інкрементального донавчання в режимі реального часу без втрати раніше здобутих знань та зі скороченням обчислювальних витрат на 85–92%, який відрізняється від традиційних концепцій автоматичною детекцією статистичних аномалій (Concept Drift) у поєднанні з вибірковою регуляризацією ваг за методом EWC
Теоретичне і практичне значення отриманих результатів: Результати дозволили створити програмний комплекс «ЕнергоМаш» (Свідоцтво № 137503). Запропонована модель ST-GAT забезпечує зниження похибки RMSE на 30.7% при скороченні часу обчислень, експериментально підтверджено загальне зниження похибки прогнозування на 13–31% та мінімізацію обчислювальних витрат на донавчання на 85–92% порівняно з повним перенавчанням. Результати досліджень виконано в рамках НДР Інституту програмних систем НАН України (ДРН 0124U000686) та апробовано на міжнародних і всеукраїнських наукових конференціях.
Відомості про здобувача та апробацію: Гайдукевич Владислав Олегович народився 20 січня 1999 року у м. Києві. У 2020 році здобув ступінь бакалавра, а у 2022 році — магістра за спеціальністю 191 «Архітектура та містобудування» у КНУБА. У 2022 році вступив до аспірантури Інституту програмних систем НАН України за спеціальністю 122 «Комп'ютерні науки». Основні наукові результати опубліковано у 11 наукових працях (5 статей у фахових виданнях України категорії Б, 1 публікація у виданнях Scopus, 5 тез доповідей).
Registration Date
2026-09-15
popup.nrat_date
2026-09-15 / 2026-09-30
