Construction of echelons in multi-agent functionals for predicting the incidence of COVID-19 in Ukraine
DOI:
https://doi.org/10.34121/1028-9763-2021-2-45–51Keywords:
intelligent monitoring, agent-based functional, echelon, інтелектуальний моніторинг, агентний функціонал, ешелонAbstract
Abstract. A new method of forming echelons in the structure of multi-agent functionals of monitoring information systems is investigated in the process of solving the problem of predicting the incidence of COVID-19 in Ukraine. A multi-agent functional is an over-agent echelon-like structure built by a monitoring information system under conditions of a decrease in the information content of observation results. Echelons of this functional are formed from monitoring agents. Each agent has an individual task. To execute it, the agent processes the results of observations, extracts from them information about the patterns of behavior of the object when the external environment changes. The obtained information is contained in a model knowledge base of the agent in the form of a hierarchical combination of models built by the agent-based synthesizer. Each model is a solution to one of the problems of identification, grouping, forecasting, etc. The list of tasks that have to be solved in order to build the model knowledge base of the agent is formed in accordance with the agent-based task based on an array of input data. For the first time, it is proposed to form echelons of multi-agent functionals from the agents that identify the functional dependence of each indicator monitored from other indicators of the input data array. The array of observation results is expanded into several arrays in order to build each monitoring agent according to the «each one from the others» rule. After that the agents are combined into echelons thus forming the structure of the multi-agent functional. Multi-agent functionals are constructed with the aim of increasing the variety of processes for processing observation results and extracting knowledge about the patterns of behavior of monitoring objects in the case of a decrease in the information content of these observation results. The ability to build agent-based functionals appears in the monitoring information system as a result of the application of the agent-based approach to the implementation of intelligent monitoring information technology.References
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
32Published
Issue
Section
License
Copyright (c) 2021 Mathematical Machines and Systems
This work is licensed under a Creative Commons Attribution 4.0 International License.
