Метод формирования многоярусной нейросетевой системы прогнозирования с возможностью реконфигурации

   Цель исследования. Повышение точности прогнозирования за счёт выявления логических связей в неструктурированных наборах данных и формирования многоярусной структуры специализированной нейросетевой вычислительной системы

   Методы. Предложен параллельный алгоритм определения фрагментированной структуры обучающей выборки, используемый для выделения фрагментов, содержащих обучающие данные, на основе логических зависимостей выборки. На базе сгенерированной фрагментированной выборки разработан метод ассемблирования нейронных сетей, используемый для формирования эффективной структуры каскадной системы прогнозирования.

   Результаты. В качестве основного эксперимента выбрано прогнозирование результатов неофициального командного зачета Международного фестиваля студенческого спорта 2023. Сформирована фрагментированная обучающая выборка на основе которой построен каскад нейросетевых модулей. В экспериментах протестировано четыре варианта каскада, показавших существенное повышение точности прогнозирования по сравнению с одномодульными аналогами. Для значительного повышения производительности нейросетевой системы при сверхкраткосрочных прогнозах рассмотрена аппаратная реализации каскадов на основе решающего поля ПЛИС. Предложена структура комплекса с возможностью его реконфигурации.

   Заключение. Применение искусственных нейронных сетей в прогнозировании перспективно, однако может сталкиваться с проблемами неточности результатов из-за недостаточной вычислительной мощности и коллизий в обучающих выборках. Один из предложенных вариантов решения проблемы – каскадирование специализированных нейросетевых модулей. Положительные результаты продемонстрировали как программная, так и аппаратная реализация системы на основе предложенного каскада. Оценка аппаратной реализации демонстрирует возможность ускорения, по сравнению с программной реализацией, что может быть необходимо при проведении сверхкраткосрочных прогнозов. Предложенные методы и алгоритмы продемонстрировали свою корректность.

1. Baltagi B.H., Li D. Prediction in the panel data model with spatial correlation // Springer, Berlin: Advances in Spatial Econometrics: Methodology, Tools and Applications. 2004. Chapter 13. P. 283–295.

2. Kholodilin K.A., Siliverstovs B., Kooths S. A dynamic panel data approach to the forecasting of the GDP of German Länder // Spatial Economic Analysis. 2008. Vol. 3. P. 195–207.

3. Белоущенко Я. А. Статистические методы прогнозирования в экономике. Керчь: ФГБОУ ВО КГМТУ, 2016. 44 с.

4. Реуцкая Е.А. Комплексная система диагностики лыжников-гонщиков с целью определения перспективности и прогнозирования предраположенности к высоким спортивным результатам // Наука и спорт: Современные тенденции. 2022. Т. 10, № 4. С. 79-87.

5. Жуков С.В., Зеленский А.В. Использование нейронных сетей в построении оптимальной тренировочной траектории в биатлоне // Учёные записки университета им. П.Ф. Лесгафта. 2017. № 5 (147). С. 81–88.

6. Юшкин В.Н. Проблемы спортивного прогнозирования // Ученые записки Уиверситета им. П.Ф. Лесгафта. 2021. № 4(194). C. 473-478.

7. Крутиков А.К., Параллельный алгоритм формирования фрагментированной обучающей выборки для специализированной системы прогнозирования на основе ассемблирования нейросетевых модулей // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. 2024. № 49. С. 61-81. DOI: 10.15593/2224-9397/2024.1.04.

8. Розыходжаева Г.А., Розыходжаева Д.А. Особенности формирования обучающей выборки и обучения нейронной сети с неполными входными данными при решении частных медицинских задач // Научное обозрение. Биологические науки. 2017. № 5. С. 28-32.

9. Дорохова Ю.В., Гончарук Н.С. Использование метода экспертных оценок при прогнозировании социальных процессов // Среднерусский вестник общественных наук. 2014. № 3(33). C. 76-81.

10. Жуков В.Г., Бухтояров В.В. О применении искусственных нейронных сетей с радиальными базисными функциями в задачах обнаружения аномалий в сетевом трафике // Решетневские чтения. 2013. Т. 2, № 17. C. 285-286.

11. Konakoglu B., Cakir L. Generalized Regression Neural Network for Coordinate Transformation // Montenegro, International Symposium on Advancements in Information Sciences and Technologies (AIST). 2018. P. 66-74.

12. Малютин А. Не счесть золота? // Forbes. URL: http://www.forbes.ru/forbes/issue/2004-08/20514-ne-schest-zolota (дата обращения: 21. 05. 2024).

13. Ясницкий Л.Н., Павлов И.В., Черепанов Ф.М. Прогнозирование Олимпийских Игр 2014 года в неофициальном командном зачете методами искуственного интеллекта // Современные проблемы науки и образования. 2013. № 6.

14. Deep Learning Toolbox. URL: https://exponenta.ru/neural-network-toolbox (дата обращения: 02. 04. 2024).

15. Krutikov A.K., Meltsov V.Y., Strabykin D.A. Evaluation the Efficienty of Forecasting Sports Events Using a Cascade of Artificial Neural Networks Based on FPGA // Proceedings of ElConRus-2022. St. Petersburg: ETU LETI, 2022. P. 355–360.

16. FPGA. URL: https://alt.ru/Mikroshemi.html (дата обращения: 01. 02. 2024).

17. Современные высокопроизводительные вычислительные системы с реконфигурируемой архитектурой на основе ПЛИС Xilinx Virtex-7 и Virtex UltraScale / И.И. Левин, А.И. Дордопуло, И.А. Каляев, Ю.И. Доронченко, М.К. Раскладкин // Russian Supercomputing Days 2015. 2015. С. 435-447.

18. Высокопроизводительные реконфигурируемые вычислительные системы нового поколения / А.И. Дордопуло, И.А. Каляев, И.И. Левин, Е.А. Семерников // Труды Международной суперкомпьютерной конференции с элементами научной школы для молодежи «Научный сервис в сети Интернет: экзафлопсное будущее». М.: Изд-во МГУ, 2011. C. 42-49.

19. Предобработка данных для обучения нейронной сети / Ю.П. Качановский, Ю.П. Качановский, Е.А. Коротков, Е.А. Коротков // Фундаментальные исследования. 2011. № 12-1. С. 117-120.

20. Гузик В.Ф., Каляев И.А., Левин И.И. Реконфигурируемые вычислительные системы. Ростов-на-Дону: изд-во Южного федерального университета, 2016. 471 с.