Побудова ешелонів у поліагентних функціоналах для прогнозування кількості захворювань на COVID-19 в Україні.
DOI:
https://doi.org/10.34121/1028-9763-2021-2-45–51Ключові слова:
intelligent monitoring, agent-based functional, echelon, інтелектуальний моніторинг, агентний функціонал, ешелонАнотація
Анотація. Новий метод формування ешелонів у структурі поліагентних функціоналів моніторингових інформаційних систем досліджується у процесі розв’язання задачі прогнозування захворюваності населення України на COVID-19. Поліагентний функціонал – це надагентна ешелонована структура, яка будується моніторинговою інформаційною системою в умовах зниження інформативності результатів спостереження. Ешелони цього функціонала утворюються з моніторингових агентів. Кожен агент має індивідуальне завдання. Для його виконання агент обробляє результати спостережень, видобуває з них відомості про закономірності поведінки об’єкта при зміні зовнішнього середовища. Здобуті відомості містяться у базі модельних знань агента у формі ієрархічного поєднання моделей, побудованих агентним синтезатором. Кожна модель є розв’язком однієї з задач ідентифікації, групування, прогнозування та інших. Перелік задач, які треба розв’язати для побудови бази модельних знань агента, формується відповідно до агентного завдання на основі масиву вхідних даних. У роботі вперше запропоновано формувати ешелони поліагентних функціоналів із агентів, що ідентифікують функціональну залежність кожного показника, за яким проводились спостереження від інших показників масиву вхідних даних. Масив результатів спостережень розгортається у кілька масивів для побудови кожного моніторингового агента за правилом «Кожен від інших». Далі агенти поєднуються в ешелони, утворюючи структуру поліагентного функціонала. Поліагентні функціонали будуються для підвищення різноманітності процесів обробки результатів спостережень та видобування знань про закономірності поведінки об’єктів моніторингу у випадку зниження інформативності результатів спостережень. Здатність будувати агентні функціонали з’являється у моніторингової інформаційної системи у результаті застосування агентного підходу до процесу реалізації інформаційної технології інтелектуального моніторингу.Посилання
1. Єріна А.М. Статистичне моделювання та прогнозування: навч. посіб. К.: КНЕУ, 2001. 170 с.
2. Голуб C.В., Куницька С.Ю. Поліагентні функціонали в інформаційних технологіях інтелектуального моніторингу. Математичні машини і системи. 2020. № 4. С. 11–19. DOI: 10.34121/1028-9763-2020-4-11-19.
3. Суслов С.А., Кондратьев М.А., Сергеев К.В. Агентное моделирование как средство анализа и прогноза спроса на энергоресурсы. Проблемы управления. 2010. № 2. С. 46–52.
4. Виклюк Я.І. Методи екстраполяції як складова ІС для прогнозування явищ стагнації. Математичне моделювання. 2009. № 1 (20). С. 27–32.
5. Багаторівневе моделювання в технологіях моніторингу оточуючого середовища: монографія. Черкаси: Вид. від. ЧНУ імені Богдана Хмельницького, 2007. 220 с.
6. Fogler H.R. A pattern recognition model for forecasting. Management science. 1974. N 8. P. 1178–1189.
7. Розенберг Г.С., Шитиков В.К., Брусиловский П.М. Экологическое прогнозирование (Функциональные предикторы временных рядов). Тольятти, 1994. 182 с.
8. Oliva R., Watson N. Managing Functional Biases in Organizational Forecasts: A Case Study of Consensus Forecasting in Supply Chain Planning.Mays Business School. 2007, 36 р.
9. Меркулова Т.В., Акулов Н.В. Мультиагентный подход к моделированию экономической системы в условиях нестационарной внешней среды. Бизнесинформ. 2009. № 4 (2). С. 117–119.
10. Осовский С. Нейронные сети для обработки информации / пер. с польс. И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.
11. Карпа Д.М., Цмоць І.Г., Опотяк Ю.В. Нейромережеві засоби прогнозування споживання енергоресурсів. Науковий вісник НЛТУ України. 2018. Т. 28, № 5. С. 140–146.
12. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения: монографія. Харьков: Телетех, 2004. 369 с.
13. URL: https://ourworldindata.org/grapher/biweekly-cases-per-million-people.
14. Kunytska S., Holub S. Multi-agent Monitoring Information Systems. Mathematical Modeling and Simulation of Systems. MODS 2019. Advances in Intelligent Systems and Computing / A. Palagin, A. Anisimov, A. Morozov, S. Shkarlet (eds.). 2019. Vol. 1019. Р. 164–171.
15. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. К.: Наукова думка, 1981. 296 с.
16. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992. 240 с.
17. Poggio T., Girosi F. Networks for approximation and learning. Proc. IEEE. 1990. Vol. 78 (9). P. 1484–1487.
18. Голуб С.В. Моделювання об’єктів моніторингу довкілля за алгоритмом Степаненка. Електроніка та системи управління. 2006. № 4 (10). С. 165–168.
19. Голуб C.В., Куницька С.Ю. Поліагентні функціонали в інформаційних технологіях інтелектуального моніторингу. Математичні машини і системи. 2020. № 4. С. 11–19.
78
32Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2021 Математичні машини і системи
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
