Вісники та науково-технічні збірники, журнали
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12
Browse
16 results
Search Results
Item Інформаційна технологія прогнозування фінансових результатів страхових компаній(Видавництво Львівської політехніки, 2021-02-28) Березька, К. М.; Кнейслер, О. В.; Спасів, Н. Я.; Кулина, Г. М.; Berezka, K. M.; Kneysler, O. V.; Spasiv, N. Ya.; Kulyna, H. M.; Західноукраїнський національний університет; West Ukrainian National UniversityВикористано економетричні екстраполяційні методи дослідження. Проаналізовано наукові роботи, пов'язані з екстраполяційними методами прогнозування часових рядів. Проаналізовано динаміку формування фінансових результатів страхових компаній України за видами їх діяльності. Визначено основні чинники, що визначають результативність. З'ясовано, що найбільш раціональним підходом до короткотермінованого прогнозування фінансових результатів страховиків є застосування експоненційного згладжування. Вибрано оптимальні параметри для моделі експоненційного згладжування методом на сітці. Використано такі показники якості моделі: середнє значення середньоквадратичного відхилення помибки моделі до фактичних даних, коефіцієнт розбіжності Г. Тейла, середню абсолютну відсоткову помибку МАРЕ. Спрогнозовано чистий фінансовий результат діяльності страховиків України і його довірчий інтервал для рівня надійності 0,95. Результати прогнозування, що базуються на застосуванні економетричного моделювання, дають змогу виявити перманентні позитивні зрушення на вітчизняному страховому ринку та діяльності страховиків на ньому; підтвердити ефективність прийнятих стратегічних і тактичних фінансових рішень страхових компаній; підвищити ефективність господарювання страховиків за підсумками кількісного визначення ступеня впливу кожного із чинників на формування фінансових результатів їх діяльності; окреслити тенденції розвитку ситуації в майбутньому, точніше формувати комплекс заходів щодо максимізації прибутку та мінімізації витрат страхових компаній для забезпечення гарантій надійного страхового захисту та задоволення інтересів їх власників.Item Інформаційна технологія для прогнозування часових рядів методом синтезу прогнозної схеми(Видавництво Львівської політехніки, 2021-02-28) Мулеса, О. Ю.; Гече, Ф. Е.; Батюк, А. Є.; Мельник, О. О.; Mulesa, O. Yu.; Geche, F. E.; Batyuk, A. Ye.; Melnyk, O. O.; Ужгородський національний університет; Національний університет “Львівська політехніка”; Uzhhorod National University; Lviv Polytechnic National UniversityРозроблено інформаційну технологію прогнозування на підставі часових рядів. З'ясовано, що актуальною є розробка нових моделей і методів прогнозування для покращення якості прогнозу. В основу інформаційної технології покладено еволюційний метод синтезу прогнозної схеми на підставі базових прогнозних моделей. Обраний метод дає змогу вносити в розгляд будь-яку кількість прогнозних моделей, які можуть належати до різних класів. Для заданого часового ряду, шляхом знаходження розв'язку оптимізаційної задачі, обчислено вагові коефіцієнти, з якими моделі входять в результуючу прогнозну схему. Показано спосіб побудови цільової функції для задачі оптимізації у вигляді лінійної комбінації результатів прогнозування базовими прогнозними моделями. Запропоновано розв'язок оптимізаційної задачі знаходити за допомогою генетичного алгоритму. Результатом роботи методу є прогнозна схема, яка є лінійною комбінацією базових прогнозних моделей. Для оцінювання якості прогнозу запропоновано застосовувати похибки прогнозування або волатильність прогнозу, яка обчислено у вигляді середньоквадратичного відхилення. Критерії якості прогнозу обрано залежно від контексту задачі. Використання волатильності прогнозу як критерію якості, після багаторазового використання технології, дасть змогу зменшити відхилення прогнозних значень від реальних даних. Розроблено структурну схему інформаційної технології. Структурно інформаційна технологія складається з двох блоків: оброблення даних, інтерпретації отриманих значень. Результатом застосування розробленої інформаційної технології є продукційні правила для визначення прогнозного значення досліджуваної величини. Виконано експериментальну верифікацію отриманих результатів. Розв'язано задачу прогнозування кількості релігійних організацій в Україні на підставі статистичних даних з 1997 по 2000 роки. Як базові прогнозні моделі було обрано метод авторегресії та лінійну регресійну модель. За результатами використання розробленої інформаційної технології було обчислено вагові коефіцієнти базових моделей. Показано, що отримана прогнозна схема дала змогу покращити середню абсолютну відсоткову похибку та волатильність прогнозу, порівняно з обраними моделями.Item Навчання комбінованої моделі прогнозування часових рядів(Видавництво Львівської політехніки, 2021-10-10) Гече, Ф. Е.; Мулеса, О. Ю.; Батюк, А. Є.; Смоланка, В. Ю.; Geche, F. E.; Mulesa, O. Yu.; Batyuk, A. Ye.; Smolanka, V. Yu.; Ужгородський національний університет; Національний університет “Львівська політехніка”; Uzhhorod National University; Lviv Polytechnic National UniversityРозроблено метод побудови комбінованої моделі прогнозування часових рядів на підставі базових моделей прогнозування. Множина базових моделей є динамічною, тобто у цю множину можуть вноситися нові моделі прогнозування, можуть видалятися моделі залежно від властивостей часових рядів. Для синтезу комбінованої моделі прогнозування часових рядів із заданим кроком прогнозу спочатку визначається оптимальний крок передісторії. Будується функціонал і для фіксованого кроку прогнозу методом авторегресії визначається оптимальний крок передісторії, що визначає проміжок часу, упродовж якого аналізується точність моделей із базової множини. У процесі побудови комбінованої моделі для кожної базової моделі визначається ваговий коефіцієнт, з яким вона входить у комбіновану модель. Вагові коефіцієнти базових моделей визначаються на підставі точності їх прогнозування на часовому періоді, зумовленому кроком передісторії. Вагові коефіцієнти відображають міру впливу базових моделей на точність прогнозування комбінованої моделі. Після побудови комбінованої моделі проводиться її навчання та визначаються ті базові моделі, які будуть внесені в остаточну комбіновану модель прогнозування. Встановлено правило внесення базових моделей у комбіновану модель. Вносячи базові моделі у комбіновану модель прогнозування, враховують їх вагові коефіцієнти, які залежать від того самого параметра. Визначається оптимальне значення параметра через мінімізацію заданого функціонала, що встановлює середнє квадратичне відхилення між фактичними і прогнозними значеннями часового ряду. Вагові коефіцієнти з оптимальними параметрами ранжуються у послідовності незростання та використовуються на етапі внесення базових моделей у комбіновану модель. Завдяки такому підходу, як показують конкретні приклади, у багатьох випадках вдалося істотно підвищити точність прогнозування комбінованої моделі.Item Система проведення аналізу, дослідження та передбачення подій у послідовностях даних дискретного часу(Видавництво Львівської політехніки, 2021-08010) Фармага, І.; Гадомський, В.; Farmaha, I.; Hadomskyi, V.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityРозроблено програмне забезпечення для передбачення із використанням часових рядів за допомогою мови програмування Python. Для розроблення системи використано модель SARIMA.Item A novel computation for predicting time series using fuzzy logical distance connectivity function and visibility graph theory(Видавництво Львівської політехніки, 2020-01-01) Такур, Ганеш Кумар; Прия, Бандана; Thakur, Ganesh Kumar; Priya, Bandana; Iнженерний коледж Крiшни; Iнститут технологiй та управлiння Г. Л. Баджая; Krishna Engineering College; GL Bajaj Institute of Technology and ManagementГраф видимостi є набором мiсцерозташувань, якi лежать на лiнiї, i може бути iнтерпретований як графо-теоретичне подання часового ряду, в той час як нечiткий граф говорить про зв’язок мiж лiнiями, точно демонструючи рiвень зв’язку мiж об’єктами заданого набору. Багато графiв не показують правильнi минулi значення. Навiть знаючи минулi значення часового ряду, прогнозування майбутнiх значень не може бути точним. Так, щоб точно знайти справжнi значення, у цiй статтi введено граф видимостi за значеннями часових рядiв (xt, yt),(xu, yu) разом зi значеннями нечiтких вузлiв f1, f2, . . . , f. Розгляд нечiткої логiки з подiбнiстю вузлiв у минулому не дає бiльш точного прогнозу, оскiльки схожiсть вузлiв мiстить тiльки значення минулих вузлiв. Отже, основна мета цiєї статтi — це запропонувати розрахунок для прогнозування бiльш точної стратегiї вимiрювання iнформацiї шляхом знаходження подiбностi всiх нечiтких вузлiв f1, f2, . . . , fn з їх функцiєю вiддалi fd(α) i функцiєю зв’язностi α. Результат обчислювань Y(x+1) демонструватиме точнiшi значення часових рядiв.Item Forecasting of the traffic intervals between vehicles using software R(Видавництво Львівської політехніки, 2019-02-26) Ковалишин, В. В.; Kovalyshyn, V.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityСпрогнозовано часові ряди інтервалів руху між транспортними засобами на головній вулиці за різних умов руху протягом одного тижня і визначено інтервали між транспортними засобами на майбутнє із застосуванням сучасного програмного продукту R.Item Відновлення пропусків у результатах тестування та ідентифікації операторського персоналу(Видавництво Львівської політехніки, 2018-02-26) Камінський, Р. М.; Кунанець, Наталія Едуардівна; Пасічник, Володимир Володимирович; Худий, А. М.; Kaminsky, R. M.; Kunanets, N. E.; Pasichnyk, V. V.; Khudiy, A. M.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityРозглянуто завдання відновлення пропущених значень у результатах тестування реципієнтів, поданих часовими рядами. Як експериментальні дані наведено штучні часові ряди із пропущеними значеннями. Ефективність відновлення оцінюється відносною похибкою відновленого значення. Наведено приклади відновлення пропусків у таблиці часових рядів та в індивідуальному часовому ряді. Використано прості методи заміни пропуску середнім, зваженим середнім та медіаною. Для цих рядів доволі добрі результати забезпечують медіана вихідного часового ряду з пропущеними значеннями та заповнення значеннями моделі тренду – полінома третього степеняItem Побудова рекурентних діаграм коротких часових рядів засобами MS Excel(Видавництво Львівської політехніки, 2015) Камінський, Р. М.; Бігун, Г. В.Розкрито поняття рекурентної діаграми як матриці близькості між зображальними точками фазового портрета на фазовій площині для коротких часових рядів. Наведено формули побудови рекурентних діаграм та результати застосування запропонованого методу побудови рекурентних діаграм у середовищі табличного процесора MS Exсel. Як ілюстративний матеріал використано три типи сигналів: гармонічний, меандр і трикутний та ці самі сигнали з накладеним на них рівномірно розподіленим шумом. Результати мають істотне практичне значення, оскільки метод рекурентних діаграм ще не набув поширення в Україні, проте легко реалізується в табличному середовищі. The recurrence plot concept was disclosed as a proximity matrix between phase space depicting points on phase area for time series. Recurrence plots construction equations and application results of suggested method are given in the MS Excel. Three types of signals: harmonic, meanders, triangular are used as a graphical material and even noise distribution is imposed on this signals. Results have significant practical value, because recurrence plots method is not widely spread in Ukraine, however it is easy to implement in spreadsheet.Item Прогнозування відмов програмного забезпечення з використанням нейронної мережі на основі радіально-базисних функцій(Видавництво Львівської політехніки, 2014) Яковина, В. С.Використано радіально-базисну нейронну мережу для прогнозування відмов програмних продуктів. Досліджено вплив функції активації такої нейронної мережі на ефективність навчання та прогнозування відмов програмного забезпечення. Показано, що оптимальною функцією активації для цієї задачі є Inverse Multiquadric з 10 нейронами у вхідному шарі та 30 – у прихованому (квадрат коефіцієнта кореляції між прогнозованими та експериментальними даними становить 0,997, а середнє квадратичне відхилення – 14,4). In this paper the radial-basis neural network was used for software failures prediction. The influence of activation function of the RBF neural net on the learning efficiency and software failures prediction is studied. It is shown that the optimal activation function is Inverse Multiquadric with 10 neurons in the input layer and 30 neurons in the hidden one (square of Pearson correlation coefficient is 0.997 and mean deviation is 14.4).Item Інформаційна технологія рекурентного аналізу часових послідовностей(Видавництво Львівської політехніки, 2014) Бігун, Г. В.Розглянуто процес виникнення та становлення інструменту рекурентних діаграм. Описано метод побудови рекурентних діаграм на основі часових послідовностей. Показано та проаналізовано зміну рекурентних діаграм залежно від вхідних параметрів. The recurrence plots tool origination and foundation process is considered. Construction method of recurrence plots based on time series is described. Recurrent plots dependence on the input parameters is analyzed and shown.