Моделирование выбора характеристик временных рядов для методов машинного обучения на основе корреляционной матрицы

Авторы

Гусев П. Ю.^*, Таволжанский А. В.^**, Поцебнева И. В.

Воронежский государственный технический университет, ВГТУ, Московский проспект, 14, Воронеж, 394026, Россия

*e-mail: pgusev@cchgeu.ru
**e-mail: tavolzhanskij.a@yandex.ru

Аннотация

В данной работе рассматривается проблема выбора необходимого набора характеристик для прогнозирования временного ряда. Предлагается метод решения этой задачи на основе корреляционной матрицы. По подготовленным данным строится корреляционная матрица, после чего для каждой переменной формируется список, упорядоченный по убыванию модуля степени корреляции. Затем происходит обучение моделей линейной регрессии и сравнение качества прогнозов для различных наборов переменных из отсортированного списка. Далее осуществляется сравнение для различных значений времени дискретизации, для определения оптимального значение для каждой переменной. Для применения рассмотренного алгоритма была использована информация с реального объекта – автоклавной установки для производства композитных элементов авиатехники.

Ключевые слова:

предиктивная аналитика, машинное обучение, линейная регрессия, автоклавная установка

Библиографический список

1. Ковалев В.З., Швецов С.Ю., Архипова О.В. Анализ методов прогнозирования потребления электрической энергии и мощности // Инженерный вестник Дона. 2023. № 4 (100). С. 127-141.
2. Неизвестный О.Г. Программа имитационного моделирования системы предиктивного управления процессом дегидрирования этилбензола // Вестник Воронежского государственного технического университета. 2023. Т. 19. № 6. С. 32-40. DOI: 10.36622/VSTU.2023.19.6.005
3. Shehadeh A., Alshboul O., Al Mamlook R. E., Hamedat O. Machine learning models for predicting the residual value of heavy construction equipment: An evaluation of modified decision tree, LightGBM, and XGBoost regression // Automation in Construction, 2021, vol. 129, no. 2, pp. 103827. DOI: 10.1016/j.autcon.2021.103827
4. Семаков С.Л., Семаков И.С. Простейшая прогнозная модель временного ряда и ее реакция на линейное и параболическое входные воздействия // Труды МАИ. 2018. № 100. URL: https://trudymai.ru/published.php?ID=93446
5. Седых И.А., Стругов И.В. Определение оптимального набора переменных при помощи методов машинного обучения при исследовании рейтинговых систем // Вестник Воронежского государственного технического университета. 2023. Т. 19. № 2. С. 72-78.
6. Черников А.А. Алгоритм обнаружения и классификации объектов на неоднородном фоне для оптико-электронных систем // Труды МАИ. 2023. № 129. URL: https://trudymai.ru/published.php?ID=173039. DOI: 10.34759/trd-2023-129-26
7. Чигринец Е.Г., Верченко А.В. CAD/CAM/САЕ системы, OMW-технологии и нейросетевые алгоритмы анализа данных на предприятиях авиастроительной отрасли // Труды МАИ. 2019. № 104. URL: https://trudymai.ru/published.php?ID=102420
8. Manoharan A., Begam K.M., Aparow V.R., Sooriamoorthy D. Artificial Neural Networks, Gradient Boosting and Support Vector Machines for electric vehicle battery state estimation: A review // Journal of Energy Storage, 2022, no. 55, pp. 105384. DOI: 10.1016/j.est.2022.105384
9. James G., Witten D., Hastie T., Tibshirani R., Taylor J. An introduction to statistical learning: With applications in python, Springer Nature, 2023, 607 p.
10. Румянцев Н.В., Соловьёв С.В., Павлов Д.В. Интеллектуализированная система контроля, диагностики и прогнозирования состояния бортовых систем космических аппаратов // Труды МАИ. 2024. № 136. URL: https://trudymai.ru/published.php?ID=180688
11. Чижов М.И., Скрипченко Ю.С., Гусев П.Ю. Имитационное моделирование производства деталей из полимерных композиционных материалов // Компьютерные исследования и моделирование. 2014. Т. 6. № 2. С. 245-252.
12. Гусев П.Ю., Скрипченко Ю.С., Лысов Д.В. Анализ и оптимизация производства деталей самолетных агрегатов с применением имитационного моделирования // Известия Самарского научного центра Российской академии наук. 2016. Т. 18. № 4-3. С. 432-438.
13. Гусев П.Ю. Автоматизация планирования производственных процессов авиастроительного предприятия с использованием цифрового двойника // Труды МАИ. 2018. № 103. URL: https://trudymai.ru/published.php?ID=101190
14. Ramesh T.R., Lilhore U.K., Poongodi M., Simaiya S., Kaur A., Hamdi M. Predictive analysis of heart diseases with machine learning approaches // Malaysian Journal of Computer Science, 2022, no. 1, pp. 132-148. DOI: 10.22452/mjcs.sp2022no1.10
15. Таволжанский А.В., Гусев П.Ю. Инструменты предиктивной аналитики // 12-я Международная молодежная научная конференция «Поколение будущего: взгляд молодых ученых-2023» (Курск, 09–10 ноября 2023): сборник статей. – Курск: Университетская книга, 2023. Т. 3. C. 96-99.
16. Гусев П.Ю., Таволжанский А.В. Алгоритмизация обработки и подготовки данных для построения моделей предиктивной аналитики // Вестник Воронежского государственного технического университета. 2024. Т. 19. № 2. C. 14-19.
17. Gusev P.Yu., Tavolzhanskij A.V. Techniques and algorithms for predictive analysis // Международный форум профессионального образования «Антропоцентрические науки в образовании: вызовы, трансформации, ресурсы» (Воронеж, 09–10 апреля 2024): сборник статей. – Воронеж: Научная книга, 2024. С. 396-400.
18. Qi J., Du J., Siniscalchi S.M., Ma X., Lee C.H. On mean absolute error for deep neural network based vector-to-vector regression // IEEE Signal Processing Letters, 2020, no. 27, pp. 1485-1489. DOI: 10.1109/LSP.2020.3016837
19. Ризванова Э.Р. Корреляционная матрица в анализе статистической информации структуры внешней торговли // Известия Санкт-Петербургского государственного экономического университета. 2017. № 6 (108). С. 159-163.
20. Егошин В.Л., Иванов С.В., Саввина Н.В., Ермолаев А.Р., Мамырбекова С.А., Жамалиева Л.М., Гржибовский А.М. Корреляционный и простой линейный регрессионный анализ с использованием программной среды r // Экология человека. 2018. № 12. С. 55-64.

Скачать статью