EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

АНСАМБЛЕВІ МЕТОДИ МАШИННОГО НАВЧАННЯ В ІНТЕЛЕКТУАЛЬНИХ СИСТЕМАХ ПРОГНОЗУВАННЯ

Анатолій ДОРОШЕНКО, Владислав ГАЙДУКЕВИЧ, Ярослав ГАЙДУКЕВИЧ

Information Technology: Computer Science, Software Engineering and Cyber Security · 20.05.2026 · (1) · 78-84

DOI: 10.32782/it/2026-1-9 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Information Technology: Computer Science, Software Engineering and Cyber Security, online erschienen am 20.05.2026. Verfasst von Анатолій ДОРОШЕНКО und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Мета роботи. Вивчення можливостей ансамблевих методів машинного навчання (Bagging, Boosting, Random Forest, Gradient Boosting, XGBoost, LightGBM)для задач прогнозування погоди, а також для передбачення стану та управління об'єктами розумних мереж, включно з енергетичними системами. Методологія. Для аналізу метеорологічних показників та стану об'єктів розумних мереж, таких як енергетичні та метеорологічні системи, було створено набір збалансованих даних. Ці дані включають часові ряди основних параметрів і показників, що характеризують ефективність систем у реальних умовах. Для моделювання застосовано ансамблеві методи машинного навчання: Bagging, Boosting, Random Forest, Gradient Boosting, XGBoost, LightGBM. Розглянуто декілька типів характеристик: основні статистичні властивості часових рядів (середнє значення, дисперсія, автокореляція, сезонні складові); обчислені характеристики, отримані шляхом об'єднання та перетворення початкових даних (згладжування, обчислення різниць, лагові характеристики); об'єднане представлення, що включає всі наявні типи характеристик для формування розширеного набору вхідних даних. Прогнозування та управління здійснювалися за допомогою навчання моделей, яке включало обробку відсутніх значень, нормалізацію та перехресну перевірку, що дозволяє оцінити здатність моделей до узагальнення на нових тимчасових інтервалах і об'єктах. Наукова новизна. Уперше зроблено порівняльний аналіз класичних ансамблевих методів (Bagging, Boosting, Random Forest) і сучасних градієнтних підходів (Gradient Boosting, XGBoost, LightGBM) для одночасного прогнозування погоди та керування розумними мережевими системами. Доведено, що ансамблеві методи забезпечують стабільну та статистично значущу точність прогнозів, навіть якщо процеси мають високу мінливість і складність, що типово для реальних об'єктів. Висновки. Ансамблеві методи машинного навчання корисні для прогнозування часових рядів і управління об'єктами розумних мереж. Використання комбінованого набору характеристик покращує точність прогнозів і робить моделі стійкішими до шумів і відсутніх даних. Результати показують, що Bagging, Boosting, Random Forest, Gradient Boosting, XGBoost та LightGBM є цінними для складних систем керування та моніторингу.

Zitieren

APA

ДОРОШЕНКО, А., ГАЙДУКЕВИЧ, В., & ГАЙДУКЕВИЧ, Я. (2026). АНСАМБЛЕВІ МЕТОДИ МАШИННОГО НАВЧАННЯ В ІНТЕЛЕКТУАЛЬНИХ СИСТЕМАХ ПРОГНОЗУВАННЯ. Information Technology: Computer Science, Software Engineering and Cyber Security, 78-84. https://doi.org/10.32782/it/2026-1-9

Vancouver

ДОРОШЕНКО А, ГАЙДУКЕВИЧ В, ГАЙДУКЕВИЧ Я. АНСАМБЛЕВІ МЕТОДИ МАШИННОГО НАВЧАННЯ В ІНТЕЛЕКТУАЛЬНИХ СИСТЕМАХ ПРОГНОЗУВАННЯ. Information Technology: Computer Science, Software Engineering and Cyber Security. 2026:78-84. doi:10.32782/it/2026-1-9

BibTeX
@article{2026,
  author = {ДОРОШЕНКО, Анатолій and ГАЙДУКЕВИЧ, Владислав and ГАЙДУКЕВИЧ, Ярослав},
  title = {АНСАМБЛЕВІ МЕТОДИ МАШИННОГО НАВЧАННЯ В ІНТЕЛЕКТУАЛЬНИХ СИСТЕМАХ ПРОГНОЗУВАННЯ},
  journal = {Information Technology: Computer Science, Software Engineering and Cyber Security},
  year = {2026},
  number = {1},
  pages = {78--84},
  doi = {10.32782/it/2026-1-9}
}
Kostenlos starten →