КОМБИНИРОВАНИЕ АЛЬТЕРНАТИВНЫХ ВАРИАНТОВ РЕГРЕССИОННОЙ МОДЕЛИ НА ОСНОВЕ КРИТЕРИЯ СОГЛАСОВАННОСТИ ПОВЕДЕНИЯ

DOI: 10.47026/1810-1909-2024-2-92-101

УДК 519.852

ББК 22.18

С.И. НОСКОВ, И.В. ОВСЯННИКОВ

Ключевые слова

регрессионное уравнение, ансамбль моделей, комбинирование вариантов, весовые коэффициенты, критерий согласованности поведения, валовый продукт

Аннотация

Цель исследования – разработка алгоритма расчета коэффициентов выпуклой комбинации альтернативных вариантов регрессионной модели сложного объекта, основанного на использовании введенного в прежних работах одного из авторов статьи критерия согласованности поведения между фактическими и расчетными значениями выходной переменной, заданного в непрерывной форме.

Материалы и методы. Для решения сформулированной в работе задачи использовались как традиционные в регрессионном анализе критерии адекватности моделей (множественной детерминации, Фишера, средней относительной ошибки аппроксимации), так и разработанный ранее одним из авторов статьи критерий согласованности поведения.

Результаты исследования. Продемонстрировано применение разработанного метода для создания ансамбля регрессионных моделей при построении математической модели валового внутреннего продукта Российского Федерации. Этот подход благодаря своей инвариантности к природе анализируемых систем не требует специальной адаптации при исследовании объектов технического характера.

Выводы. Предложенный алгоритм комбинирования альтернативных вариантов регрессионной модели объекта, основанный на использовании критерия согласованности поведения между фактическими и расчетными значениями выходной переменной, может быть эффективно применен при исследовании сложных систем различной природы.

Литература

1. Боброва Т.В., Панченко П.М. Техническое нормирование рабочих процессов в строительстве на основе пространственно-временного моделирования // Magazine of Civil Engineering. 2017. № 8(76). С. 84–97.
2. Болотов А.Н., Рачишкин А.А., Сутягин О.В. Компьютерное моделирование физических взаимодействий технических поверхностей на микроуровне // Программные продукты и системы. 2019. № 1. С. 109–114.
3. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. 3-е изд. М.: Вильямс, 2016. 912 с.
4. Единая межведомственная информационно-статистическая система (ЕМИСС): сайт. URL: https://www.fedstat.ru/ (дата обращения: 19.11.2023).
5. Елисеева М.А., Маловик К.Н. Прикладные задачи моделирования технических рисков // Наука и образование в XXI веке: сб. науч. тр. по материалам Междунар. науч.-практ. конф. Тамбов: ООО «Консалтинговая компания Юком», 2014. Т. 17. С. 36–38.
6. Инфляция. Финансы. Новости: сайт. URL: https://inflatio.ru (дата обращения: 19.11.2023).
7. Левин М.Ш. Пример комбинаторной эволюции и прогнозирования требований к коммуникационным системам // Информационные процессы. 2017. Т. 17, № 2. С. 92–100.
8. Мутушев Д.М. Математическое моделирование в задачах управления качеством технических и эксплуатационных характеристик транспортных объектов // Качество и жизнь. 2019. № 2 (22). С. 118–123.
9. Николайчук О.А., Берман А.Ф., Павлов А.И. Прогнозирование технического состояния опасных объектов методом имитационного моделирования // Проблемы машиностроения и надежности машин. 2017. № 2. С. 131–142.
10. Носков С.И. Построение свертки критериев адекватности регрессионных моделей // Модели, системы, сети в экономике, технике, природе и обществе. 2022. № 1. С. 73–81.
11. Носков С.И. Реализация конкурса регрессионных моделей с применением критерия согласованности поведения // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2021. № 2. С. 153–160.
12. Носков С.И., Бычков Ю.А. Вычислительные эксперименты с непрерывной формой метода максимальной согласованности в регрессионном анализе // Вестник Воронежского государственного технического университета. 2022. Т. 18, № 2. С. 7–12.
13. Попова Т.П. Ансамбли моделей как современный инструмент анализа данных // Конкурентоспособность территорий: материалы XX Всерос. экон. форума молодых ученых и студентов: в 8 ч. Екатеринбург: Изд-во Урал. гос. экон. ун-та, 2017. Ч. 7. С. 256–259.
14. Свидетельство о государственной регистрации прогр. для ЭВМ № 2021619297 РФ. Программный комплекс реализации конкурса линейных регрессионных моделей по критерию Фишера / С.И. Носков, Д.В. Пашков; правообладатель Федеральное государственное бюджетное образовательное учреждение высшего образования «Иркутский государственный университет путей сообщения». № 2021618525; заявл. 31.05.2021; опубл. 08.06.2021, Бюл. № 6.
15. Справочные таблицы: сайт. URL: https://infotables.ru/ (дата обращения: 19.11.2023).
16. Федеральная служба государственной статистики: сайт. URL: https://rosstat.gov.ru/ (дата обращения: 19.11.2023).
17. Acar E., Rais-Rohani M. Ensemble of metamodels with optimized weight factors. Structural and Multidisciplinary Optimization, 2009, vol. 37, pp. 279–294.
18. Branicki M., Majda A.J. Imperfect Dynamical Predictions Via Multi-Model Ensemble Forecasts. Journal of Nonlinear Science, 2015, vol. 25, pp. 489–538.
19. Dua M., Shakshi, Singla R. et al. Deep CNN models-based ensemble approach to driver drowsiness detection. Neural Computing and Applications, 2021, vol. 33, pp. 3155–3168.
20. Elish M.O., Aljamaan H., Ahmad I. Three empirical studies on predicting software maintainability using ensemble methods. Soft Computing, 2015, 19, pp. 2511–2524.
21. Iglesias M.A. Iterative regularization for ensemble data assimilation in reservoir models. Computational Geosciences, 2015, 19, pp. 177–212.
22. Lee Y., Choi D.-H. Pointwise ensemble of meta-models using v nearest points cross-validation. Structural and Multidisciplinary Optimization, 2014, 50, pp. 383–394.
23. Prayogo D., Cheng M.-Y., Wu Y.-W., Tran D.-H. Combining machine learning models via adaptive ensemble weighting for prediction of shear capacity of reinforced-concrete deep beams. Engineering with Computers, 2020, vol. 36, pp. 1135–1153.
24. Statista: website. Available at: https://www.statista.com (Access Date: 2023, Nov. 19).
25. Uchida M., Maehara Y., Shioya H. Unsupervised Weight Parameter Estimation Method for Ensemble Learning. Journal of Mathematical Modelling and Algorithms, 2011, vol. 10, pp. 307–322.

Сведения об авторах

Носков Сергей Иванович – доктор технических наук, профессор кафедры информационных систем и защиты информации, Иркутский государственный университет путей сообщения, Россия, Иркутск (sergey.noskov.57@mail.ru; ORCID: https://orcid.org/0000-0003-4097-2720).

Овсянников Иван Владимирович – студент IV курса, факультет управления на транспорте и информационные технологии, Иркутский государственный университет путей сообщения, Россия, Иркутск (bidanocka@gmail.com).

Формат цитирования

Носков С.И., Овсянников И.В. Комбинирование альтернативных вариантов регрессионной модели на основе критерия согласованности поведения // Вестник Чувашского университета. – 2024. – № 2. – С. 92–101. DOI: 10.47026/1810-1909-2024-2-92-101.

Загрузить полный текст статьи