ISSN 1991-2927
 

АПУ № 4 (62) 2020

Автор: "Сапунков Алексей Андреевич"

/table>

УДК 004.8

Сапунков Алексей Андреевич, окончил факультет информационных систем и технологий Ульяновского государственного технического университета, ассистент кафедры «Информационные системы» УлГТУ. Имеет статьи в области анализа и прогнозирования временных рядов. [e-mail: sapalks@ gmail.com]А.А. Сапунков,

Афанасьева Татьяна Васильевна, доктор технических наук, доцент, окончила радиотехнический факультет Ульяновского политехнического института, профессор кафедры «Информационные системы» УлГТУ. Имеет статьи в области анализа и прогнозирования временных рядов. [e-mail: tv.afanasjeva@gmail.com]Т.В. Афанасьева

Методика поддержки принятия решения в задаче приоритезации запросов пользователей в развивающихся программных продуктах59_7.pdf

В данной работе анализируются подходы и описывается методика поддержки принятия решения о приоритезации запросов пользователей на модификацию программного обеспечения (ПО), полученных через службу технической поддержки. Эта задача актуальна для итерационно развивающегося ПО, так как в течение каждой итерации поступает поток запросов конечных пользователей на модификацию ПО. Целью предлагаемой методики является автоматизация процесса оценки и приоритезации (ранжирования) запросов для их преобразования в требования. Отличительной особенностью методики является включение в оценку запросов информации об источниках запросов, а также точечных и темпоральных оценок. Для анализа изменения количества запросов каждого вида предложено использовать их прогнозирование на основе моделей нечеткого временного ряда. Предложенная методика позволит сократить менеджерам и разработчикам ПО временные затраты на анализ проблем и принятие решения об их устранении. В статье приводится формальное описание этапов предложенной методики и рассматривается пример ее применения как средства поддержки принятия решения о включении высокоприоритетных запросов в список требований на разработку ПО. В заключении делаются выводы о границах применимости предложенной методики.

Поддержка принятия решения, приоритезация требований, системный анализ, развивающиеся программные продукты, прогнозирование, нечеткие модели прогнозирования, нечеткие временные ряды.

2020_ 1

Рубрика: Информационные системы

Тематика: Информационные системы.

УДК 004.8

Афанасьева Татьяна Васильевна, Ульяновский государственный технический университет, доктор технических наук, доцент, заместитель заведующего кафедрой «Информационные системы» Ульяновского государственного технического университета. Окончила радиотехнический факультет УлГТУ. Имеет статьи и монографии в области интеллектуального анализа временных рядов. [e-mail: tv.afanasjeva@gmail.com]Т.В. Афанасьева,

Сапунков Алексей Андреевич, Ульяновский государственный технический университет, аспирант кафедры «Информационные системы» УлГТУ, окончил факультет информационных систем и технологий УлГТУ. Имеет работы в области интеллектуального анализа временных рядов. [e-mail: sapalks@gmail.com]А.А. Сапунков,

Заварзин Денис Валерьевич, Ульяновский государственный технический университет, аспирант кафедры «Информационные системы» УлГТУ, окончил факультет информационных систем и технологий УлГТУ. Имеет работы в области интеллектуального анализа временных рядов. [e-mail: dzavarzin91@gmail.com]Д.В. Заварзин

Применение алгоритма кластеризации k-means для улучшения темпоральной статистики просмотра коммерческих предложений000_6.pdf

Аномалии рассматриваются как нетипичные и редко встречающиеся значения, значительно искажающие данные. Обычно такие значения приводят к неточным результатам в процессе анализа данных, поэтому они должны быть удалены. В статье предлагается применение метода кластеризации k-means для решения практической задачи по обработке данных для отображения темпоральной статистики в секторе b2b. Предметной областью и источником данных является сервис отправки и трекинга коммерческих предложений B2BFamily. В статье предлагается удалять аномалии и отображать более адекватную темпоральную статистику о среднем времени просмотра слайда коммерческого предложения. Это поможет менеджеру по продажам корректировать стратегию общения с клиентами. В заключении обсуждаются полученные результаты и дальнейшие тенденции развития данного исследования.

Кластеризация, аномалии, алгоритм кластеризации k-means, обнаружение и удаление аномалий.

2016_ 4

Рубрика: Математическое моделирование

Тематика: Математическое моделирование.


УДК 004.8

Афанасьева Татьяна Васильевна , Ульяновский государственный технический университет, доктор технических наук, доцент, заместитель заведующего кафедрой «Информационные системы» Ульяновского государственного технического университета. Окончила радиотехнический факультет УлГТУ. Имеет статьи и монографии в области интеллектуального анализа временных рядов. [e-mail: tv.afanasjeva@gmail.com]Т.В. Афанасьева,

Сапунков Алексей Андреевич , Ульяновский государственный технический университет, аспирант кафедры «Информационные системы» УлГТУ, окончил факультет информационных систем и технологий УлГТУ. Имеет работы в области интеллектуального анализа временных рядов. [e-mail: sapalks@gmail.com]А.А. Сапунков,

Тонерян Мкртыч Саркисович , Ульяновский государственный технический университет, аспирант кафедры «Информационные системы» УлГТУ, окончил факультет информационных систем и технологий УлГТУ. Имеет работы в области интеллектуального анализа временных рядов. [e-mail: mkr73@yandex.ru]М.С. Тонерян

Двухступенчатый алгоритм выбора нечеткой модели для прогнозирования временных рядов000_8.pdf

В статье предлагается двухступенчатый алгоритм выбора наилучшей модели прогнозирования временного ряда (ВР), основанный на анализе адекватности модели по поведению и точности. В качестве набора для тестирования алгоритма были использованы ВР, предоставленные на международном соревновании по прогнозированию ВР 2015 года в рамках конференции IFAS-EUSLAT(International Time Series Forecasting Competition [http://irafm.osu.cz/cif/main.php]). База данных данного соревнования состояла из 91 числового ВР разных длин, тенденции и частоты снятия данных. Значения ВР отражали динамику показателей, полученных из банковской сферы, социальных сетей и медицины. Для прогнозирования ВР применялись три модели, основанные на понятии нечеткого ВР. Чтобы определить лучшую модель был предложен двухэтапный алгоритм, основанный на сравнении тенденций ВР и модели. Также в алгоритме используются новые критерии качества в дополнение к уже известным. В заключении обсуждаются полученные результаты и демонстрируется эффективность предлагаемого алгоритма.

Нечеткие тенденции, нечеткие временные ряды, прогнозирование, лингвистическое описание.

2015_ 4

Рубрика: Информационные системы

Тематика: Информационные системы.


© ФНПЦ АО "НПО "Марс", 2009-2018 Работает на Joomla!