Пошук академічних текстів

Інформація × Реєстраційний номер 2125U003947, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи ОПТИМІЗОВАНА МОДЕЛЬ ПРОГНОЗУВАННЯ ДОСТУПНОСТІ ОБ’ЄКТІВ НА ОСНОВІ ГЛИБИННОГО НАВЧАННЯ І ГЕОПРОСТОРОВИХ ОЗНАК Автор Тригуба А. М.Ратушний Р. Т.Коваль Л. С.Ратушний А. Р.Tryhuba A. M.Ratushny R. T.Koval L. S.Ratushnyi A. R. Дата публікації 24-12-2025 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/346358 Видання National University "Zaporizhzhia Polytechnic" Опис 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 Додано в НРАТ 2026-02-09 Закрити