ISSN 1991-2927
 

АПУ № 4 (54) 2018

Автор: "Сапунков Алексей Андреевич"

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!