Моделі адаптивного комплексування зважених інтервальних даних у завданнях предиктивного експертного оцінювання

Автор(и)

  • Ігор Вікторович Рубан Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-4738-3286
  • Горенський Геннадій Геннадійович Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-0035-2239
  • Юрій Олександрович Романенков Національний аерокосмічний університет ім. М. Є. Жуковського «Харківський авіаційний інститут», Україна https://orcid.org/0000-0002-6544-5348
  • Даніїл Сергійович Ревенко Національний аерокосмічний університет ім. М. Є. Жуковського «Харківський авіаційний інститут», Україна https://orcid.org/0000-0001-8125-1474

DOI:

https://doi.org/10.15587/1729-4061.2022.265782

Ключові слова:

передиктивне оцінювання, комплексування, альтернативні дані, інтервальний аналіз, довірча ймовірність

Анотація

Вирішено завдання удосконалення методичного та алгоритмічного забезпечення процесу комплексування шляхом розробки моделей адаптивного надлишкового комплексування зважених інтервальних даних. Об'єктом дослідження є процес комплексування інтервальних даних, отриманих із декількох незалежних джерел, предметом – алгебраїчні методи надмірного комплексування зважених інтервальних даних. Актуальність завдання обумовлена гостротою проблеми консолідації однорідних даних з метою здобуття більш точнішої та релевантної інформації про досліджуваний об'єкт або процес. Розроблено моделі, які, на відміну від існуючих, дозволяють апостериорно врахувати точність експертів на попередньому етапі експертного оцінювання. Запропоновано єдину аналітичну форму моделі для обробки зважених інтервальних і точкових оцінок з можливістю структурного і параметричного налаштування. Вона дозволяє забезпечити підвищення ступеню автоматизації обробки експертних оцінок в умовах інтервальної невизначеності. Сформульовано рекомендації щодо практичного застосування запропонованих моделей. Вказані варіанти параметричного налаштування функцій переваги в залежності від особливостей зважених інтервальних оцінок. Доведено спільність граничних випадків запропонованих моделей з відомими раніше. На прикладі показаний зсув комплексированої оцінки убік оцінок точніших на попередньому етапі оцінювання джерел. Проілюстровоно адаптивність пропонованих моделей. При цьому зафіксоване незначне, у середньому близько 10 %, розширення комплексированого інтервалу відносно первинних. Розроблені моделі та алгоритми можуть бути використані в автоматизованих експертних системах, а також у каскадних моделях обробки та стиснення інформації

Біографії авторів

Ігор Вікторович Рубан, Харківський національний університет радіоелектроніки

Доктор технічних наук, професор, перший проректор

Горенський Геннадій Геннадійович, Харківський національний університет радіоелектроніки

Кафедра електронних обчислювальних машин

Юрій Олександрович Романенков, Національний аерокосмічний університет ім. М. Є. Жуковського «Харківський авіаційний інститут»

Доктор технічних наук, професор

Кафедра менеджменту

Даніїл Сергійович Ревенко, Національний аерокосмічний університет ім. М. Є. Жуковського «Харківський авіаційний інститут»

Доктор економічних наук, доцент

Кафедра економіки, маркетингу та міжнародних економічних відносин

Посилання

  1. Preis, T., Moat, H. S., Stanley, H. E. (2013). Quantifying Trading Behavior in Financial Markets Using Google Trends. Scientific Reports, 3 (1). doi: https://doi.org/10.1038/srep01684
  2. Nasseri, A. A., Tucker, A., de Cesare, S. (2015). Quantifying StockTwits semantic terms’ trading behavior in financial markets: An effective application of decision tree algorithms. Expert Systems with Applications, 42 (23), 9192–9210. doi: https://doi.org/10.1016/j.eswa.2015.08.008
  3. Kolanovic, M., Krishnamachari, R. T. (2017). Big data and AI strategies: Machine learning and alternative data approach to investing. Global Quantitative & Derivatives Strategy. Available at: https://cpb-us-e2.wpmucdn.com/faculty.sites.uci.edu/dist/2/51/files/2018/05/JPM-2017-MachineLearningInvestments.pdf
  4. Cohen, L., Malloy, C., Nguyen, Q. (2020). Lazy Prices. The Journal of Finance, 75 (3), 1371–1415. doi: https://doi.org/10.1111/jofi.12885
  5. Fleder, M., Shah, D. (2020). Forecasting with Alternative Data. ACM SIGMETRICS Performance Evaluation Review, 48 (1), 23–24. doi: https://doi.org/10.1145/3410048.3410062
  6. Charoenwong, B., Kwan, A. (2021). Alternative Data, Big Data, and Applications to Finance. Blockchain Technologies, 35–105. doi: https://doi.org/10.1007/978-981-33-6137-9_2
  7. Bellstam, G., Bhagat, S., Cookson, J. A. (2021). A Text-Based Analysis of Corporate Innovation. Management Science, 67 (7), 4004–4031. doi: https://doi.org/10.1287/mnsc.2020.3682
  8. Romanenkov, Y., Vartanian, V. (2016). Formation of prognostic software support for strategic decision-making in an organization. Eastern-European Journal of Enterprise Technologies, 2 (9 (80)), 25–34. doi: https://doi.org/10.15587/1729-4061.2016.66306
  9. Вuravtsev, A. V. (2017). Grey management analysis. Perspectives of Science & Education, 5 (29), 74–79. Available at: https://cyberleninka.ru/article/n/seryy-upravlencheskiy-analiz
  10. Chan, J. W. K., Tong, T. K. L. (2007). Multi-criteria material selections and end-of-life product strategy: Grey relational analysis approach. Materials & Design, 28 (5), 1539–1546. doi: https://doi.org/10.1016/j.matdes.2006.02.016
  11. Shostak, I. V., Danova, M. A., Romanenkov, Yu. A. (2015). Informatsionnaya tekhnologiya podderzhki prinyatiya ekspertnykh resheniy v natsional'nykh Forsayt-issledovaniyakh. Komunalne hospodarstvo mist, 123, 58–67. Available at: https://www.researchgate.net/publication/315664668_Informacionnaa_tehnologia_podderzki_prinatia_ekspertnyh_resenij_v_nacionalnyh_forsajt-issledovaniah
  12. Durrant-Whyte, H., Henderson, T. C. (2008). Multisensor Data Fusion. Springer Handbook of Robotics, 585–610. doi: https://doi.org/10.1007/978-3-540-30301-5_26
  13. Hoover, A., Olsen, B. D. (1999). A real-time occupancy map from multiple video streams. Proceedings 1999 IEEE International Conference on Robotics and Automation (Cat. No.99CH36288C). doi: https://doi.org/10.1109/robot.1999.770442
  14. Smelyakov, K., Sandrkin, D., Ruban, I., Vitalii, M., Romanenkov, Y. (2018). Search by Image. New Search Engine Service Model. 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T). doi: https://doi.org/10.1109/infocommst.2018.8632117
  15. Vartanyan, V. M., Cheranovskiy, O. V., Al Daheri Ali Mohamed (2011). Evaluation of basic model robust stability of unmanned aerial vehicles. Aviatsionno-kosmicheskaya tekhnika i tekhnologiya, 6, 44–51. Available at: http://nbuv.gov.ua/UJRN/aktit_2011_6_9
  16. Ruban, I., Khudov, H., Khudov, V., Khizhnyak, I., Makoveichuk, O. (2017). Segmentation of the images obtained from onboard optoelectronic surveillance systems by the evolutionary method. Eastern-European Journal of Enterprise Technologies, 5 (9 (89)), 49–57. doi: https://doi.org/10.15587/1729-4061.2017.109904
  17. Abdelgawad, A., Bayoumi, M. (2012). Resource-Aware Data Fusion Algorithms for Wireless Sensor Networks. Lecture Notes in Electrical Engineering. doi: https://doi.org/10.1007/978-1-4614-1350-9
  18. Khaleghi, B., Khamis, A., Karray, F. O., Razavi, S. N. (2013). Multisensor data fusion: A review of the state-of-the-art. Information Fusion, 14 (1), 28–44. doi: https://doi.org/10.1016/j.inffus.2011.08.001
  19. Sineglazov, V. M., Chumachenko, E. I., Gorbatyuk, V. S. (2012). Metod resheniya zadachi prognozirovaniya na osnove kompleksirovaniya otsenok. Induktyvne modeliuvannia skladnykh system, 4, 214–223.
  20. Bidyuk, P. I., Gasanov, A. S., Vavilov, S. E. (2013). Analiz kachestva otsenok prognozov s ispol'zovaniem metoda kompleksirovaniya. Systemni doslidzhennia ta informatsiyni tekhnolohiyi, 4, 7–16. Available at: http://nbuv.gov.ua/UJRN/sdtit_2013_4_3
  21. Vasil'ev, A. A. (2015). Obedinenie prognozov ekonomicheskikh pokazateley na osnove bives-otsenki s vesovoy funktsiey Kh'yubera. Aktual'nye problemy gumanitarnykh i estestvennykh nauk, 10-4, 44–47. Available at: https://cyberleninka.ru/article/n/obedinenie-prognozov-ekonomicheskih-pokazateley-na-osnove-bives-otsenki-s-vesovoy-funktsiey-hyubera
  22. Molev, M. D., Zanina, I. A., Stuzhenko, N. I. (2013). Sintez prognoznoy informatsii v praktike otsenki ekologo-ekonomicheskogo razvitiya regiona. Inzhenerniy vestnik Dona, 4, 59. Available at: https://cyberleninka.ru/article/n/cintez-prognoznoy-informatsii-v-praktike-otsenki-ekologo-ekonomicheskogo-razvitiya-regiona
  23. Romanenkov, Yu. A., Vartanyan, V. M., Revenko, D. S. (2014). Kompleksirovanie prognoznykh otsenok v sisteme monitoringa pokazateley sostoyaniya biznes-protsessa. Systemy upravlinnia, navihatsiyi ta zviazku, 2 (30). Available at: https://www.researchgate.net/publication/315693915_Kompleksirovanie_prognoznyh_ocenok_v_sisteme_monitoringa_pokazatelej_sostoania_biznes-processa
  24. Kovalenko, I., Shved, A. (2018). Development of a technology of structuring group expert judgments under various types of uncertainty. Eastern-European Journal of Enterprise Technologies, 3 (4 (93)), 60–68. doi: https://doi.org/10.15587/1729-4061.2018.133299
  25. Sternin, M. Yu., Shepelev, G. I. (2009). Sravnenie poliinterval'nykh otsenok v metode OIO. Intelligent Support of Decision Making. International book series «Information science & computing, 83–88. Available at: http://foibg.com/ibs_isc/ibs-10/ibs-10-p11.pdf
  26. Shepelev, G., Sternin, M. (2014). Evaluating Expected Effectiveness of Interval Alternatives. International Journal “Information Theories and Applications”, 21 (3), 263–274. Available at: http://www.foibg.com/ijita/vol21/ijita21-03-p06.pdf
  27. Baohua Li, Yunmin Zhu, Rong Li, X. (2002). Fault-tolerant interval estimation fusion by Dempster-Shafer theory. Proceedings of the Fifth International Conference on Information Fusion. FUSION 2002. (IEEE Cat.No.02EX5997). doi: https://doi.org/10.1109/icif.2002.1021010
  28. Liu, H., Wang, B., Liu, Z., Zhou, Y. (2009). Data Fusion Based on Interval Dempster-Shafer Theory for Emitter Platform Identification. 2009 International Conference on Information Engineering and Computer Science. doi: https://doi.org/10.1109/iciecs.2009.5364227
  29. Liang, H., Li, C.-C., Dong, Y., Jiang, Y. (2016). The fusion process of interval opinions based on the dynamic bounded confidence. Information Fusion, 29, 112–119. doi: https://doi.org/10.1016/j.inffus.2015.08.010
  30. Zhu, Y., Li, B. (2006). Optimal interval estimation fusion based on sensor interval estimates with confidence degrees. Automatica, 42 (1), 101–108. doi: https://doi.org/10.1016/j.automatica.2005.07.008
  31. Ramalingam, S., Maheswari, U. (2016). A fuzzy interval valued fusion technique for multi-modal 3D face recognition. 2016 IEEE International Carnahan Conference on Security Technology (ICCST). doi: https://doi.org/10.1109/ccst.2016.7815709
  32. Carlson, R. J. (2013). Voter compatibility in interval societies. HMC Senior Theses. Available at: https://scholarship.claremont.edu/cgi/viewcontent.cgi?article=1044&context=hmc_theses
  33. Collett, M. A., Cox, M. G., Esward, T. J., Harris, P. M., Sousa, J. A. (2007). Aggregating measurement data influenced by common effects. Metrologia, 44 (5), 308–318. doi: https://doi.org/10.1088/0026-1394/44/5/007
  34. Duta, M., Henry, M. (2005). The fusion of redundant SEVA measurements. IEEE Transactions on Control Systems Technology, 13 (2), 173–184. doi: https://doi.org/10.1109/tcst.2004.840448
  35. Dopazo, E., Martínez-Céspedes, M. L. (2017). Rank aggregation methods dealing with ordinal uncertain preferences. Expert Systems with Applications, 78, 103–109. doi: https://doi.org/10.1016/j.eswa.2017.01.051
  36. Voschinin, A. P. (2002). Interval'niy analiz dannykh: razvitie i perspektivy. Zavodskaya Laboratoriya, 68 (1), 118–126.
  37. Orlov, A. I. (2013). Osnovnye idei statistiki interval'nykh dannykh. Nauchniy zhurnal KubGAU, 94, 55–70. Available at: https://cyberleninka.ru/article/n/osnovnye-idei-statistiki-intervalnyh-dannyh
  38. Alefel'd, G., Khertsberger, Yu. (1987). Vvedenie v interval'nye vychisleniya. Moscow: Mir, 360.
  39. Kalmykov, S. A., Shokin, Yu. I., Yuldashev, Z. Kh. (1986). Metody interval'nogo analiza. Novosibirsk: Nauka, 223. Available at: https://hi.b-ok.xyz/book/445084/5ae6b7
  40. Shokin, Yu. I. (1981). Interval'niy analiz. Novosibirsk: Nauka, 112. Available at: https://read.in.ua/book156021/
  41. Shariy, S. P. (2016). Konechnomerniy interval'niy analiz. Novosibirsk: XYZ, 606.
  42. Hansen, E. R. (1993). Computing zeros of functions using generalized interval arithmetic. Interval Computations, 3, 3–27. Available at: https://interval.louisiana.edu/reliable-computing-journal/1993/interval-computations-1993-3-pp-003-028.pdf
  43. Moore, R. E. (1979). Methods and Applications of Interval Analysis. Philadelphia: SIAM, 125. doi: https://doi.org/10.1137/1.9781611970906
  44. Kaucher, E. (1980). Interval analysis in the extended interval spase IR. Computing Suppl, 2, 33–49. Available at: http://www.math.bas.bg/~epopova/Kaucher-80-CS_33-49.pdf
  45. Bardachev, Yu. N., Kryuchkovskiy, V. V., Malomuzh, T. V. (2010). Metodologicheskaya predpochtitel'nost' interval'nykh ekspertnykh otsenok pri prinyatii resheniy v usloviyakh neopredelennosti. Visnyk Kharkivskoho natsionalnoho universytetu imeni V. N. Karazina. Seriya: Matematychne modeliuvannia. Informatsiyni tekhnolohiyi. Avtomatyzovani systemy upravlinnia, 890, 18–28. Available at: http://mia.univer.kharkov.ua/13/30045.pdf
  46. Romanenkov, Y., Danova, M., Kashcheyeva, V., Bugaienko, O., Volk, M., Karminska-Bielobrova, M., Lobach, O. (2018). Complexification methods of interval forecast estimates in the problems on short­term prediction. Eastern-European Journal of Enterprise Technologies, 3 (3 (93)), 50–58. doi: https://doi.org/10.15587/1729-4061.2018.131939
  47. Podruzhko, A. A., Podruzhko, A. S., Kiritsev, P. N. (2009). Interval'nye metody resheniya zadach kalibrovki i klassifikatsii. Trudy Instituta sistemnogo analiza Rossiyskoy Akademii nauk. Dinamika neodnorodnykh sistem, 44, 173–186.
  48. Kochkarov, R. A. (2015). Interval'nye zadachi na predfraktal'nykh grafakh. Novye informatsionnye tekhnologii v avtomatizirovannykh sistemakh, 18, 255–264. Available at: https://cyberleninka.ru/article/n/intervalnye-zadachi-na-predfraktalnyh-grafah
  49. Marzullo, K. (1990). Tolerating failures of continuous-valued sensors. ACM Transactions on Computer Systems, 8 (4), 284–304. doi: https://doi.org/10.1145/128733.128735
  50. Muravyov, S. V., Khudonogova, L. I., Emelyanova, E. Y. (2018). Interval data fusion with preference aggregation. Measurement, 116, 621–630. doi: https://doi.org/10.1016/j.measurement.2017.08.045
  51. Khudonogova, L. I., Muravyov, S. V. (2021). Interval Data Fusion with Preference Aggregation for Balancing Measurement Accuracy and Energy Consumption in WSN. Wireless Personal Communications, 118 (4), 2399–2421. doi: https://doi.org/10.1007/s11277-021-08132-9
  52. Levin, V. I. (2004). Uporyadochenie intervalov i zadachi optimizatsii s interval'nymi parametrami. Kibernetika i sistemnyy analiz, 3, 14–24. Available at: http://ec.lib.vntu.edu.ua/DocDescription?doc_id=112446
  53. Levin, V. I. (2002). Intervals comparison and optimisation under the conditions of uncertainty. Vestnik Tambovskogo universiteta. Seriya: Estestvennye i tekhnicheskie nauki, 7 (3), 383–389. Available at: https://cyberleninka.ru/article/n/sravnenie-intervalov-i-optimizatsiya-v-usloviyah-neopredelennosti
  54. Romanenkov, Yu., Kosenko, V., Lobach, O., Grinchenko, E., Grinchenko, M. (2019). The Method for Ranking Quasi-Optimal Alternatives in Interval Game Models Against Nature. Proceedings of the 3rd International Conference on Computational Linguistics and Intelligent Systems (COLINS-2019). Available at: https://www.researchgate.net/publication/333488747_The_Method_for_Ranking_Quasi-Optimal_Alternatives_in_Interval_Game_Models_Against_Nature
Моделі адаптивного комплексування зважених інтервальних даних у завданнях предиктивного експертного оцінювання

##submission.downloads##

Опубліковано

2022-10-30

Як цитувати

Рубан, І. В., Геннадій Геннадійович, Г., Романенков, Ю. О., & Ревенко, Д. С. (2022). Моделі адаптивного комплексування зважених інтервальних даних у завданнях предиктивного експертного оцінювання. Eastern-European Journal of Enterprise Technologies, 5(4(119), 6–15. https://doi.org/10.15587/1729-4061.2022.265782

Номер

Том 5 № 4(119) (2022): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2022 Igor Ruban, Hennadii Horenskyi, Yuri Romanenkov, Daniil Revenko

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.