Search academic texts

Information × Registration Number 2125U003947, Article popup.category Опубліковано, Стаття Title OPTIMIZED MODEL FOR PREDICTING THE AVAILABILITY OF OBJECTS BASED ON DEEP LEARNING AND GEOSPATIAL FEATURES popup.author Тригуба А. М.Ратушний Р. Т.Коваль Л. С.Ратушний А. Р.Tryhuba A. M.Ratushny R. T.Koval L. S.Ratushnyi A. R. popup.publication 24-12-2025 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/346358 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. На сьогодні прогнозування доступності об’єктів у просторово-розподілених системах залишається одним із тих напрямів інформатики, який постійно привертає увагу дослідників. Причин для цього чимало. Спостерігаєтьсязбільшення обсягів просторової інформації. Появляються нові типи інфраструктурних мереж, а також потреба в оперативному прийнятті рішень у мінливих умовах. Водночас, традиційні методи аналізу не завжди справляються із завданнями обробки багатовимірних даних. Особливо це актуально, коли йдеться про складні або нестабільні середовища. Це відкриває можливості для застосування методів глибинного навчання, які демонструють високу ефективність там, де класичні підходи не працюють.Мета роботи. Дослідження спрямоване на оптимізацію моделі прогнозування доступності об’єктів у простороворозподілених системах шляхом визначення ефективної архітектури глибинного навчання, що використовує просторові та інфраструктурні ознаки для підвищення точності прогнозування та узагальнюючої здатності. Методи. Для досягнення поставленої мети було застосовано архітектури глибинного навчання, серед яких моделі прямого розповсюдження (FNN), згорткові нейронні мережі (CNN) та рекурентні нейронні мережі (RNN, GRU, LSTM). Під час моделювання використовувалися методи нормалізації даних, регуляризації навчання, а також комплексна система оцінювання точності прогнозів за допомогою середньої квадратичної помилки, середньої абсолютної помилки та коефіцієнта детермінації.Результати. Під виконання дослідження було побудовано оптимізовану архітектуру рекурентної нейронної мережі, що включає комбінацію двох рекурентних шарів, шарів регуляризації Dropout та повнозв’язного шару. Проведений аналіз показав, що запропонована модель забезпечує високу точність прогнозування доступності об’єктів, демонструючи стабільність роботи на широкому спектрі просторових даних. Співставлення фактичних та прогнозованих значень підтвердило ефективність запропонованого рішення.Висновки. Запропонований підхід до побудови оптимізованої моделі глибинного навчання для прогнозування доступності об’єктів забезпечує високий рівень узагальнення та точності, що створює передумови для її використання у системах інтелектуальної підтримки прийняття рішень у просторово-розподілених середовищах popup.nrat_date 2026-02-09 Close