Аннотация: Одной из главных задач в управлении технологическими процессами является сокращение аварийных ситуаций и отказов действующего оборудования. Получаемые при функционировании машин и механизмов статистические данные требуют соответствующей математической обработки, для анализа динамики технологических процессов и установления взаимосвязей между отклонениями, воздействующими факторами и отказами. Удобным инструментарием для обработки этих данных являются регрессионный и кластерный анализы. Существенной, и при этом слабоосвещённой в научной периодике темой являются отказы кавитационных систем. Кавитаторы - сравнительно распространенные технические устройства, позволяющие поддерживать технологические показатели мазута в резервуарных парках на требуемом уровне (вязкость, содержание воды, адгезионные свойства). Практика применения кавитаторов на мазутных хозяйствах тепловых станций в Калининградской области показывает, что данные технические устройства могут сравнительно часто давать отказы.   Так, в случае отключения или ограничения подачи требуемых объемов газа на теплоэлектростанцию, могут быть использованы резервы мазута из топливного парка. В свою очередь, отказ кавитационной системы может привести к невозможности ввода резервного топлива и, как следствие - к остановке энергогенерации. Таким образом, проблема обеспечения энергобезопасности и безотказность работы кавитационных систем тесно взаимосвязаны. В настоящем исследовании проанализирован массив накопленной статистической информации по параметрам функционирования кавитаторов в мазутных хозяйствах и моментам наступления отказов. Для обработки массива данных были использованы регрессионный и кластерный анализы, что позволило определить взаимосвязи между видами отказов и воздействующими факторами и ранжировать весомость факторов по степени их воздействия на кавитационное оборудование. По результату математической обработки и анализа данных разработаны предложения по обеспечению большей технической надежности кавитаторов, реорганизации системы их технического обслуживания и снижения числа отказов.

Ключевые слова: регрессионный анализ, кластерный анализ, метод наименьших квадратов, к-метод кластеризации, нефтегазовая техника, кавитационное оборудование, анализ статистических данных, отказы техники, надежность оборудования, износ оборудования

Библиография:
Мутугуллина, И. А. Применение подогревателей при использовании мазута / И. А. Мутугуллина // Международный научный журнал. – 2017 – № 03-2. – С. 92-95.
Салтанаева, Е. А. Определение эффективности применения кавитаторов при подготовке к сжиганию мазута с высоким содержанием воды / Е. А. Салтанаева // Тинчуринские чтения : Материалы XIV Международной молодежной научной конференции. В 3-х томах, Казань, 23 апреля – 26 2019 года / Под общей редакцией Э.Ю. Абдуллазянова. – Казань: Казанский государственный энергетический университет, 2019. – С. 249-251. – EDN SEXETF.
Есаян, В. Н. Специфика использования кавитаторов для борьбы с застыванием резервного топлива (мазута) в стальных резервуарах / В. Н. Есаян // Молодежь и XXI век-2022 : Материалы 12-й Международной молодежной научной конференции. В 4-х томах, Курск, 17–18 февраля 2022 года / Отв. редактор М.С. Разумов. – Курск: Юго-Западный государственный университет, 2022. – С. 228-232. – DOI 10.47581/2022/ML-61/Esaan.01. – EDN SUZDTE.
Application of Correla

Аннотация: Мониторинг и анализ потребления энергоресурсов в различных разрезах измерение различных параметров (показателей) во времени крайне важен для современной экономики. Данная работа посвящена исследованию и интерпретации аномалий набора данных по потреблению энергоресурсов (на примере потребления газа) в муниципальном образовании
Потребление газа имеет важное значение для социально-экономической сферы городов. Несанкционированные подключения являются основной причиной нетехнологических потерь ресурса. Традиционные методы проверки на предмет хищения неэффективны и отнимают много времени. Современные технологии анализа данных помогут выявить и интерпретировать аномалии потребления и, среди прочего, сформировать списки на проверку объектов на предмет несанкционированных подключений.
Основным вкладом нашего подхода было применение совокупности статистических методов, направленных на обработку и выявление аномалий на наборе данных по энергопотреблению муниципального образования. Следует отметить, что применение подобных технологий требует разработки эффективных алгоритмов, и внедрения автоматизации и алгоритмов машинного обучения. Этот новый взгляд на временные ряды облегчает обнаружение аномалий, оптимизацию принятия решений и т.д. Эти процессы могут быть автоматизированы. Представленная методология, проверенная на временных рядах, описывающих потребление газа, может быть использована для более широкого спектра задач. Исследование может быть объединено с методами обнаружения знаний и алгоритмами глубокого обучения.

Ключевые слова: статистический анализ, поиск аномалий, энергопотребление, газопотребление, муниципальное образование, сглаживание, среднее значение, несанкционированное потребление, учет газа, оптимизация

Библиография:
Приказ Региональной энергетической комиссии – департамента цен и тарифов Краснодарского края от 31.08.2012 №2/2012-нп «Об утверждении нормативов потребления коммунальных услуг в Краснодарском крае (при отсутствии приборов учета)»
Chen H., Liu H. A remote electrocardiogram monitoring system with good swiftness and high reliablility //Computers & Electrical Engineering. – 2016. – Т. 53. – С. 191-202.
Приказ Минэнерго России от 30.12.2013 N 961 (ред. от 26.12.2014) "Об утверждении Правил учета газа" // www.consultant.ru
Постановление Правительства РФ от 06.05.2011 N 354 (ред. от 31.07.2021) "О предоставлении коммунальных услуг собственникам и пользователям помещений в многоквартирных домах и жилых домов" // www.consultant.ru
Игнатенко А.М., Макарова И.Л., Копырин А.С. — Методы подготовки данных к анализу слабоструктурированных временных рядов // Программные системы и вычислительные методы. – 2019. – № 4. – С. 87 - 94. DOI: 10.7256/2454-0714.2019.4.31797
Kozłowski A., Sosnowski J. Energy effic

Аннотация: В течение последних десятилетий потенциал аналитики и интеллектуального анализа данных — методологий, извлекающих полезную информацию из больших наборов данных — трансформировал одну область научных исследований за другой. Аналитика стала тенденцией в последние несколько лет. Применительно к образованию эти методологии называют аналитикой обучения (LA) и интеллектуальным анализом данных в образовании (EDM). Использование аналитики обучения (учебной аналитики) выросло в последние годы по четырем основным причинам: значительное увеличение количества данных, улучшение форматов данных, достижения в области вычислительной техники и повышение сложности инструментов, доступных для аналитики. Статья посвящена описанию построения модели системы поддержки принятия решений (СППР) вуза на основе образовательных данных, полученных из электронной информационно-образовательной среды (ЭИОС) ВСГУТУ. Предметом исследования является построение СППР с использованием методов учебной аналитики. В статье представлена концептуальная модель системы принятия решений в учебном процессе и концептуальная модель компонента СППР — подсистемы прогнозирования. Особенность модели подсистемы прогнозирования заключается в применении методов аналитики обучения к наборам данных высшего учебного заведения, содержащие результаты работы ЭИОС, и включающие в себя характеристики активности студента. Основным результатом работы являются исследованные и выбранные методы кластеризации и классификации (KNN), апробация которых показала вполне приемлемые результаты. Надо отметить, что было исследованы различные методы кластеризации и метод k-prototypes показал лучшие результаты. Полученные результаты позволяют делать выводы о хорошем потенциале в применении методов учебной аналитики в вузах РФ.

Ключевые слова: поддержка принятия решений, кластеризация, классификация, учебная аналитика, электронная информационно-образовательная среда, прогнозирование успеваемости, методы прогнозирования, группа риска, успеваемость учащихся, искусственный интеллект

Библиография:
Ferguson, R., Brasher, A., Clow, D., Cooper, A., Hillaire, G., Mittelmeier, J., Rienties, B., Ullmann, T., Vuorikari, R. (2016). Research Evidence on the Use of Learning Analytics — Implications for Education Policy. R. Vuorikari, J. Castaño Muñoz (Eds.). Joint Research Centre Science for Policy Report; EUR 28294 EN; doi:10.2791/955210, 8-22.
Белоножко П.П., Карпенко А.П., Храмов Д.А. Анализ образовательных данных: направления и перспективы применения [Электронный ресурс] // Интернет-журнал «Науковедение». — 2017. — Т. 9. — № 4. — URL: http://naukovedenie.ru/PDF/15TVN417.pdf (дата обращения: 09.11.2020), 21 с.
Corbett, A. T. and Anderson, J. R. 1995. Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction 4, 4, 253—278.
Pavlik, P. I., Cen, H. & Koedinger, K. (2009) Performance Factors Analysis — A New A Pavlik, P. I., Cen, H. & Koedinger, K. (2009) Performance Factors Analysis — A New Alternative to Knowledge. Proceeding

Аннотация: В данной работе рассматривается проблема автоматического синтеза (индукции) правил преобразования естественно-языковой постановки задачи в смысловую модель задачи, по которой может быть порождена решающая данную задачу программа. Данная проблема рассматривается применительно к системе порождения, распознавания и трансформации программ PGEN++. На основании анализа литературных источников выбран комбинированный подход к решению данной проблемы, в рамках которого правила преобразования естественно-языковой постановки в смысловую модель задачи генерируются автоматически, а спецификации порождающих классов и правила порождения программы по модели пишутся вручную, специалистом в конкретной предметной области. В рамках объектно-событийных моделей впервые предложен механизм автоматической генерации распознающих скриптов и сопутствующих им сущностей (CSV-таблиц, XPath-функций). Генерация производится на основании анализа обучающей выборки, включающей предложения, описывающие объекты предметной области, в сочетании с экземплярами таких объектов. Анализ выполняется путем поиска уникальных ключевых слов и характерных грамматических отношений с последующим применением простых элиминативно-индуцирующих схем. Также предложен механизм автоматической генерации правил восполнения/достраивания первичных распознанных моделей до полноценных смысловых. Такая генерация выполняется путем анализа отношений между объектами обучающей выборки с учетом информации из спецификаций классов предметной области. Предложенные схемы опробованы на предметной области "Простая обработка векторных данных", показана успешная трансформация естественно-языковых постановок (как входящих в обучающую выборку, так и модифицированных) в смысловые модели с последующим порождением решающих поставленные задачи программ.

Ключевые слова: XPath-функции, регулярные выражения, предметно-ориентированный язык, грамматический разбор, обучающая выборка, элиминативная индукция, индукция правил, синтез кода, порождение программ, обработка естественно-языковых текстов

Библиография:
Link Grammar Parser. URL: https://www.abisource.com/projects/link-grammar/ (дата обращения: 14.09.2020).
Clark S., Curran J.R. Widecoverage efficient statistical parsing with CCG and log-linear models // Computational Linguistics 33(4), 2007. P.493–552.
Oda Y., Fudaba H., Neubig G. et al. Learning to Generate Pseudo-code from Source Code using Statistical Machine Translation // 30th IEEE/ACM International Conference on Automated Software Engineering (ASE), 2015. P.574-584.
Mandal S., Naskar S. Natural Language Programing with Automatic Code Generation towards Solving Addition-Subtraction Word Problems // Proceedings of 14th International Conference on Natural Language Processing (December, 2017). Jadavpur University, 2017. P.146-154.
Gvero T., Kuncak V. Interactive Synthesis Using Free-Form Queries // 37th IEEE International Conference on Software Engineering (ICSE). Florence: IEEE, 2015. P.689-692. DOI: 10.1109/ICSE.2015.224.
Wong E., Yang J., and Tan L., Autocomment: Mining question and answe

Аннотация: Предметом исследования является процесс сбора и предварительной подготовки данных из гетерогенных источников. Экономическая информация является гетерогенной и полуструктурированной или неструктурированной по своей природе. Из-за неоднородности первичных документов, а также человеческого фактора исходные статистические данные могут содержать большое количество шумов, а также записей автоматическая обработка которых может быть весьма затруднена. Это делает предварительную обработку входных динамических данных важным предварительным условием для обнаружения значимых паттернов и знаний в предметной области, а тему исследования актуальной
Предварительная обработка данных представляет собой ряд уникальных задач, которые привели к появлению различных алгоритмов и эвристических методов для решения таких задач предварительной обработки, как слияние и очистка, идентификация переменных
В данной работе формулируется алгоритм препроцессинга, позволяющий сводить в единую базу данных и структурировать информацию по временным рядам из разных источников. Ключевой модификацией метода препроцессинга, которую предлагают авторы является технология автоматизированной интеграции данных.
Предложенная авторами технология предполагает совместное использование методов построения нечеткого временного ряда и машинного лексического сопоставления на сети тезауруса, а также использования универсальной базы данных, построенной с использованием концепции МИВАР.
Алгоритм препроцессинга формирует единую модель данных с возможностью транформации периодичности и семантики набора данных и интеграцию в единый информационный банк данные, которые могут поступать из различных источников.

Ключевые слова: машинное обучение, препроцессинг, унификация данных, очистка данных, прогнозирование, нечеткий временной ряд, МИВАР, временной ряд, data mining, база знаний

Библиография:
Anand S., Aggarwal R. R. An efficient algorithm for data cleaning of log file using file extensions // International Journal of Computer Applications. 2012. № 8 (48).
Bose M., Mali K. Designing fuzzy time series forecasting models: A survey // International Journal of Approximate Reasoning. 2019.
Bzdok D., Altman N., Krzywinski M. Points of Significance: Statistics versus machine learning // Nature Methods. 2018. № 4 (15). C. 233–234.
Gama J. [и др.]. Knowledge discovery from data streams // Intelligent Data Analysis. 2009.
Han Q., Gao X., Wu W. Study on Web Mining Algorithm based on usage mining 2008.
Handelman G. S. [и др.]. eDoctor: machine learning and the future of medicine // Journal of Internal Medicine. 2018. № 6 (284). C. 603–619.
Ivanchenko N. O. MIVAR technologies modelling of enterprise’s technical and technological potential // Actual Problems of Economics. 2014.
Khedri R., Chiang F., Sabri K. E. An algebraic approach towards data cleaning 2013.C. 50–59.
Kim K.-J., Tagkopo

Аннотация: В работе представлены результаты оценки информативности количественных и бинарных признаков для решения задачи поиска семантически близких предложений (парафразов). Рассмотрены три типа признаков: построенные на векторных представлениях слов (по модели Word2Vec), основанные на извлечении чисел и структурированной информации и отражающие количественные характеристики текста. В качестве показателей информативности используются доля парафразов среди примеров, обладающих признаком, и доля парафразов, обладающих признаком (для бинарных характеристик), а также оценки с помощью метода накопленных частот (для количественных признаков). Оценка проведена на русском корпусе парафразов. Набор рассмотренных в работе признаков апробирован в качестве входных данных для двух моделей машинного обучения для определения семантически близких предложений: машины опорных векторов (SVM) и рекуррентной нейросетевой модели. Первая модель принимает в качестве входных параметров только рассмотренный набор признаков, вторая – текст в виде последовательностей (sequences) и набор признаков в качестве дополнительного входа. Качество моделей составило соответственно 67,06% (по F-мере) и 69,49% (по точности) и 79,85% (по F-мере) и 74,16% (по точности). Полученный в работе результат сравним с лучшими результатами систем, представленных в 2017 на соревновании по определению парафраза для русского языка (второй результат по F-мере, третий результат по точности). Результаты, предложенные в работе, могут быть использованы как при реализации моделей поиска семантически близких фрагментов текстов на естественном языке, так и для анализа русскоязычных парафразов с точки зрения компьютерной лингвистики.

Ключевые слова: семантическая близость, классификация текстов, поиск парафразов, нейронная сеть, машина опорных векторов, информативность признаков, накопленные частоты, статистическая оценка, отбор признаков, машинное обучение

Библиография:
El Desouki M. I., Gomaa W. H. Exploring the Recent Trends of Paraphrase Detection //International Journal of Computer Applications. – 2019. – Т. 975. – С. 8887. DOI: https://doi.org/10.5120/ijca2019918317.
Smerdov A. N., Bakhteev O. Y., Strijov V. V. Optimal recurrent neural network model in paraphrase detection⇤ //Informatika i Ee Primeneniya [Informatics and its Applications]. – 2018. – Т. 12. – №. 4. – С. 63-69. DOI: https://doi.org/10.14357/19922264180409.
Yin W., Schütze H. Convolutional neural network for paraphrase identification //Proceedings of the 2015 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. – 2015. – С. 901-911. DOI: https://doi.org/10.3115/v1/n15-1091.
Neculoiu P., Versteegh M., Rotaru M. Learning text similarity with siamese recurrent networks //Proceedings of the 1st Workshop on Representation Learning for NLP. – 2016. – С. 148-157. DOI: https://doi.org/10.18653/v1/w16-1617.
Dien D. et al. Viet

Аннотация: Целью исследования является подготовка к анализу слабоструктурированных исходных данных, их анализ, изучение влияния «загрязнения» данных на результаты регрессионного анализа. Задача структурирования данных, подготовки их к качественному анализу является уникальной задачей для каждого конкретного набора исходных данных и не может быть решена с помощью общего алгоритма, всегда будет иметь свои особенности. Рассмотрены проблемы, которые могут вызывать трудности при работе (анализе, обработке, поиске) со слабоструктурированными данными. Приведены примеры слабоструктурированных данных и структурированных данных, которые применяются в процедурах подготовки данных к анализу. Рассмотрены и описаны данные алгоритмы подготовки слабоструктурированных данных к анализу. Проведены процедуры очистки и анализа на наборе данных. Построены четыре регрессионных модели и произведено их сравнение. В результате были сформулированы следующие выводы: Исключение из анализа разного рода подозрительных наблюдений может резко сократить объем совокупности и привести к необоснованному снижению вариации. При этом, такой подход будет совершенно неприемлем, если в результате из анализа будут исключены важные объекты наблюдений и нарушена целостность совокупности. Качество построенной модели может ухудшаться при наличии аномальных значений, но может и улучшаться за их счет.

Ключевые слова: слабоструктурированные данные, очистка данных, регрессионный анализ, поиск аномалий, линейная модель, большие данные, статистика, моделирование, удаление шумов, эконометрика

Библиография:
ГОСТ Р ИСО 16269-4-2017 Статистические методы. Статистическое представление данных. Часть 4. Выявление и обработка выбросов.
Арустамов А. Предобработка и очистка данных перед загрузкой в хранилище. URL: https://basegroup.ru/users/aleksey-arustamov (дата обращения: 16.07.2019)
Осипова, Ю.Г. Обзор интеллектуальных методов очистки данных / Ю.Г. Осипова, А.М. Фонотов // Информационные управляющие системы и компьютерный мониторинг.-Донецк: ДонНТУ, 2012.-С. 121-125.
Видищева Е. В., Копырин А. С., Василенко М. С. Анализ и уточнение классификации аномалий и выбросов на экономических данных // Вестник Алтайской академии экономики и права. 2019. № 6-1. С. 41–46.
Поручиков М.А. Анализ данных: учеб. пособие / М.А. Поручиков. – Самара: Изд-во Самарского университета, 2016. – 88 с.
Ратникова Т. А., Фурманов К. К. Анализ панельных данных и данных о длительности состояний : учеб. пособие. М. : Изд. дом Высшей школы экономики, 2014. 373 с.
Основы структурированных и неструктурированных данных в интеллектуаль

Аннотация: С распространением онлайн-сервисов конструирования форм для проведения онлайн-опросов существенно возросло количество исследователей, использующих анкетные опросы в практике научных исследований. Одной из проблем, которая присутствовала при традиционной форме опроса на бумажном носителе и перешла в онлайн-опросы, является проблема достоверности данных. Большинство исследователей, применяющих онлайн-опросы, имеют более высокие запросы к автоматизации исследований. Они не готовы предпринимать значительные усилия для повышения достоверности данных. В настоящей работе предлагается к рассмотрению алгоритм, позволяющий автоматизировать процесс анализа достоверности данных анкетных опросов. Предложенный алгоритм основан на использовании процедуры скользящего экзамена для тестирования отдельных многомерных наблюдений, полученных в ходе онлайн-опроса. Основная гипотеза, заложенная в основу разработанного метода, состоит в том, что подчиненность вопросов анкеты некоторой общей тематике приводит к возникновению некоторых латентных связей между ответами, которые нарушаются при случайных ответах. Для тестирования анкетных данных разработан многомерный статистический критерий. Метод очень прост в использовании и доступен даже для не искушенных исследователей.

Ключевые слова: интернет-сервис, компьютерная технология, скользящий экзамен, критерий качества данных, латентные связи, многомерные статистические методы, онлайн-опрос, качество данных, анкетный опрос, номинальные признаки

Библиография:
Мартышенко С.Н., Мартышенко Н.С. Методы обработки нечисловых данных в социально-экономических исследованиях // Вестник Тихоокеанского государственного экономического университета. – 2006. – № 4 (40). – С. 48-57.
Мартышенко С.Н. Методическое обеспечение анализа данных мониторинга социально-экономических процессов в муниципальных образованиях // Экономика и менеджмент систем управления. – 2012. – Т. 6. – № 4-2. – С. 259-267.
Федоровский А.М. Качество онлайн-опросов. Методы проверок // Мониторинг общественного мнения: экономические и социальные перемены. – 2015. – № 3 (127). – С. 28-35.
Моисеев С.П., Савинкова Ю.К. Выборка, направляемая респондентом, в онлайн-опросе: к вопросу о динамике и качестве // Мониторинг общественного мнения: экономические и социальные перемены. – 2014. – № 6 (124). – С. 43-50.
Малошонок Н.Г., Терентьев Е.А. Влияние дизайна на качество данных в онлайн-опросах студентов // Мониторинг общественного мнения: экономические и социальные перемены. – 2014. – № 6 (124). – С. 15-27.