Розробка методу глибокого навчання для розпізнавання складних шаблонів у великих даних

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.341468

Ключові слова:

просторово-часове моделювання, гібридна архітектура, концепція дрейфу, статистична дивергенція, поступове перенавчання

Анотація

Об'єктом цього дослідження є процес та аналіз інтелектуального розпізнавання та класифікації просторово-часових шаблонів у великих масивах потокових даних. Проблема, яку необхідно вирішити, полягає у відсутності системи глибокого навчання, яка може гарантувати адаптивність до швидкозмінних концепцій, ефективне обчислення для безперервних потоків даних та прозорість процесу прогнозування під час роботи з гетерогенними та динамічно змінними джерелами великих даних, що використовуються для підтримки прийняття рішень.

Розроблена система програмування використовує згорткову нейронну мережу з довгою короткочасною пам'яттю та механізмом контролю уваги, що дозволяє виявляти просторово-часові залежності та демонструє модельну інтерпретацію рішень. Широка оцінка реалізованої системи з використанням багатовимірних потокових даних продемонструвала можливості системи з точністю класифікації 0,98, показником F1 0,97, площею під кривою робочої характеристики приймача 0,99 та показником гармоніки 0,90. Інтерпретація результатів підсумована взаємодією багаторівневого вилучення ознак, а потім процесом оптимізації за допомогою дивергенції Кульбака-Лейблера, що забезпечує надійне онлайн-виявлення дрейфу та автоматичне перенавчання моделей. Додатковий внесок систематичного використання фреймворку включав інтерпретовані рішення з використанням адитивних пояснень Шеплі та візуалізацій карт активації класів з градієнтною вагою. Це має вагомі докази стійкої надійної роботи моделі в умовах нестаціонарності даних та потокових даних. Результати цього дослідження мають значні практичні наслідки для створення систем підтримки прийняття рішень у реальному часі в предметних областях. Нарешті, структурований фреймворк також може бути використаний для майбутніх досліджень розробки високомасштабованих, гідних надії та надійних архітектур штучного інтелекту.

Біографії авторів

Gulzhan Muratova, S.Seifullin Kazakh Agrotechnical Research University

Candidate of Physical and Mathematical Sciences

Department of Information Technology

 

Ainur Jumagaliyeva, K.Kulazhanov Kazakh University of Technology and Business

Senior Lecturer

Department of Information Technology

 

Venera Rystygulova, K.Kulazhanov Kazakh University of Technology and Business

Candidate of Physical and Mathematical Sciences, Associate Professor

Department of Information Technology

 

Elmira Abdykerimova, Caspian State University of Technology and Engineering named after Sh.Yessenov

Candidate of Pedagogical Sciences, Professor

Department of Computer Science

 

Asset Turkmenbayev, Caspian State University of Technology and Engineering named after Sh.Yessenov

Candidate of Pedagogical Sciences, Professor

Department of Fundamental Sciences

Bulat Serimbetov, K.Kulazhanov Kazakh University of Technology and Business

Candidate of Technical Sciences, Associate Professor

Department of Information Technology

Zauresh Yersultanova, U. Sultangazin Pedagogical Institute

Assistant Professor

Department of Physics, Mathematics and Digital Technologies

Gulzada Omarkulova, K.Kulazhanov Kazakh University of Technology and Business

Senior Lecturer

Department of Information Technology

Посилання

  1. França, R. P., Borges Monteiro, A. C., Arthur, R., Iano, Y. (2021). An overview of deep learning in big data, image, and signal processing in the modern digital age. Trends in Deep Learning Methodologies, 63–87. https://doi.org/10.1016/b978-0-12-822226-3.00003-9
  2. Ahmed, Y. A. E., Yue, B., Gu, Z., Yang, J. (2023). An overview: Big data analysis by deep learning and image processing. International Journal of Quantum Information, 21 (07). https://doi.org/10.1142/s0219749923400099
  3. Kamyab, H., Khademi, T., Chelliapan, S., SaberiKamarposhti, M., Rezania, S., Yusuf, M. et al. (2023). The latest innovative avenues for the utilization of artificial Intelligence and big data analytics in water resource management. Results in Engineering, 20, 101566. https://doi.org/10.1016/j.rineng.2023.101566
  4. Paramesha, M., Rane, N., Rane, J. (2024). Big data analytics, artificial intelligence, machine learning, internet of things, and blockchain for enhanced business intelligence. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4855856
  5. Al Ayub Ahmed, A., Rajesh, S., Lohana, S., Ray, S., Maroor, J. P., Naved, M. (2022). Using Machine Learning and Data Mining to Evaluate Modern Financial Management Techniques. Proceedings of Second International Conference in Mechanical and Energy Technology, 249–257. https://doi.org/10.1007/978-981-19-0108-9_26
  6. Alzubaidi, L., Bai, J., Al-Sabaawi, A., Santamaría, J., Albahri, A. S., Al-dabbagh, B. S. N. et al. (2023). A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications. Journal of Big Data, 10 (1). https://doi.org/10.1186/s40537-023-00727-2
  7. Gheisari, M., Ebrahimzadeh, F., Rahimi, M., Moazzamigodarzi, M., Liu, Y., Dutta Pramanik, P. K. et al. (2023). Deep learning: Applications, architectures, models, tools, and frameworks: A comprehensive survey. CAAI Transactions on Intelligence Technology, 8 (3), 581–606. https://doi.org/10.1049/cit2.12180
  8. Azmi, J., Arif, M., Nafis, M. T., Alam, M. A., Tanweer, S., Wang, G. (2022). A systematic review on machine learning approaches for cardiovascular disease prediction using medical big data. Medical Engineering & Physics, 105, 103825. https://doi.org/10.1016/j.medengphy.2022.103825
  9. Zhang, W., Gu, X., Tang, L., Yin, Y., Liu, D., Zhang, Y. (2022). Application of machine learning, deep learning and optimization algorithms in geoengineering and geoscience: Comprehensive review and future challenge. Gondwana Research, 109, 1–17. https://doi.org/10.1016/j.gr.2022.03.015
  10. Nguyen, D. K., Sermpinis, G., Stasinakis, C. (2022). Big data, artificial intelligence and machine learning: A transformative symbiosis in favour of financial technology. European Financial Management, 29 (2), 517–548. https://doi.org/10.1111/eufm.12365
  11. Amiri, Z., Heidari, A., Navimipour, N. J., Unal, M., Mousavi, A. (2023). Adventures in data analysis: a systematic review of Deep Learning techniques for pattern recognition in cyber-physical-social systems. Multimedia Tools and Applications, 83 (8), 22909–22973. https://doi.org/10.1007/s11042-023-16382-x
  12. Rane, N., Paramesha, M., Choudhary, S., Rane, J. (2024). Machine Learning and Deep Learning for Big Data Analytics: a Review of Methods and Applications. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4835655
  13. Abutaleb, K. A., Abdelsalam, A. A., Khaled, M. A. (2025). Unleashing Environmental Intelligence Through AI, Image Processing, and Big Data: Paving the Path to a Sustainable Future. Modelling and Advanced Earth Observation Technologies for Coastal Zone Management, 315–354. https://doi.org/10.1007/978-3-031-78768-3_12
  14. Yedalla, J. (2025). Unmasking insider threats: how big data analytics is revolutionizing cybersecurity defense. International Research Journal of Modernization in Engineering Technology and Science, 7 (2). https://doi.org/10.56726/irjmets67402
  15. Hui, X. (2025). Research on Medical Named Entity Recognition Technology Based on Prompt BioMRC Model for Deep NLP Algorithm. International Journal of Big Data Intelligent Technology, 6 (1), 118–125. https://doi.org/10.38007/ijbdit.2025.060112
  16. Ainur, J., Gulzhan, M., Amandos, T., Venera, R., Bulat, S., Zauresh, Y., Aizhan, S. (2024). The impact of blockchain and artificial intelligence technologies in network security for e-voting. International Journal of Electrical and Computer Engineering (IJECE), 14 (6), 6723. https://doi.org/10.11591/ijece.v14i6.pp6723-6733
  17. Mohapatra, P. (2025). Intelligent Assurance: Artificial Intelligence-Powered Software Testing in the Modern Development Lifecycle. Deep Science Publishing. https://doi.org/10.70593/978-93-7185-046-9
  18. Taha, K. (2025). Machine learning in biomedical and health big data: a comprehensive survey with empirical and experimental insights. Journal of Big Data, 12 (1). https://doi.org/10.1186/s40537-025-01108-7
  19. Yu, T. R., Song, X. (2025). Big Data and Artificial Intelligence in the Banking Industry. Handbook of Financial Econometrics, Statistics, Technology, and Risk Management, 3841–3857. https://doi.org/10.1142/9789819809950_0117
Розробка методу глибокого навчання для розпізнавання складних шаблонів у великих даних

##submission.downloads##

Опубліковано

2025-12-30

Як цитувати

Muratova, G., Jumagaliyeva, A., Rystygulova, V., Abdykerimova, E., Turkmenbayev, A., Serimbetov, B., Yersultanova, Z., & Omarkulova, G. (2025). Розробка методу глибокого навчання для розпізнавання складних шаблонів у великих даних. Eastern-European Journal of Enterprise Technologies, 6(9 (138), 54–66. https://doi.org/10.15587/1729-4061.2025.341468

Номер

Том 6 № 9 (138) (2025): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2025 Gulzhan Muratova, Ainur Jumagaliyeva, Venera Rystygulova, Elmira Abdykerimova, Asset Turkmenbayev, Bulat Serimbetov, Zauresh Yersultanova, Gulzada Omarkulova

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.