Применение методов статистики и эконометрического моделирования имеет свою специфику при анализе данных, полученных по результатам агробиологических исследований. Исследуя такой показатель как урожайность культур, осуществляя отбор факторов, влияющих на нее, аналитик сталкивается с проблемой необходимости включения в регрессионную модель объясняющих переменных, имеющих неколичественную форму выражения, связанных с применением для обработки семян различных микробиологических препаратов. Подобная проблема решаема путем использования в моделях фиктивных переменных. Цель исследования - разработка методологических подходов к построению регрессионной многофакторной модели, включающей как количественные, так и качественные объясняющие переменные, описывающей количественно зависимость урожайности кормосмеси для коров от этих факторов. Материалы и методы. В основе методологии решения данной исследовательской задачи были положены фундаментальные подходы, опубликованные в научных работах ученых, освещающих проблемы использования эконометрических моделей с фиктивными переменными. Основой исследования является комплексный подход к применению математико-статистических методов анализа зависимостей между переменными, моделирования и прогнозирования, а также экспериментальные результаты изучения уровня урожайности сухой массы кормосмеси в зависимости от содержания в почве азота и использования микробиологических препаратов «Бисолби-Т» и «Экстрасол», полученные за четыре осуществленных укоса летнего периода 2023 года. Результаты. Исследование и количественное описание влияния микробиологических препаратов «Бисолби-Т» и «Экстрасол» при различных концентрациях в почве азота на урожайность сухой массы кормовой смеси, позволили получить эконометрические двухфакторные модели, в которых фактор - применение препарата для предварительной обработки семенного материала, был включен как фиктивная переменная. На основе полученных в ходе исследования статистически значимых регрессионных моделей, учитывающих периоды и циклы скашивания кормосмеси, были вычислены ожидаемые значения ее урожайности при нормативной концентрации азота в почве, выполнена сравнительная оценка эффективности исследуемых препаратов. Заключение. Применение методов статистического анализа данных с построением регрессионных моделей при проведении агробиологических исследований имеет определенную специфику. Возможность включения в регрессионную модель фиктивных объясняющих переменных позволяет исследовать и количественно оценить влияние неколичественных факторов на урожайность сельскохозяйственных культур. Получение статистически значимых моделей является основой прогнозирования уровня урожайности и принятия решений при выборе оптимальных вариантов внесения концентраций удобрений, определение предпочтений в отношении используемых для повышения продуктивности культур микробиологических добавок, расчет перспективных значений урожайности кормосмеси в зависимости от периода ее скашивания. Все это имеет стратегическое значение при планировании объемов производства кормов для сельскохозяйственных животных и величины затрат предприятий на осуществление своей деятельности, в частности для составления бюджета затрат на корма.
В данной работе разбирается применение алгоритмов машинного обучения для прогнозирования мощности рассеивания энергии за счет переключений компонентов схем на начальном этапе физического проектирования интегральных схем (ИС) для конкретной архитектуры. Реалистичная оценка потребляемой мощности возможна на заключительных этапах маршрута проектирования ИС, что может создать дополнительную итеративность в маршруте для оптимизации энергопотребления. Предложенный метод позволяет довольно точно спрогнозировать конечное значение рассматриваемого вида энергопотребления с высокой точностью для различных типов стандартных ячеек при различных сценариях и конфигурациях планировки. Недостатком метода является необходимость прохождения полного маршрута проектирования выбранной схемы с выбранным диапазоном параметров для сбора данных, нужных для обучения моделей машинного обучения, что требует дополнительных машинных и временных ресурсов.
В статье разрабатывается комплексный подход к прогнозированию транспортной загруженности с использованием синтетических данных, имитирующих динамику городского трафика. Гибридная методология позволяет объединить анализ временных рядов и глубокое обучение, что актуально для моделирования нелинейных зависимостей и закономерностей в транспортных данных.
Цель. Целью работы является разработка и тестирование прогностической модели, способной точно предсказывать уровни транспортной загруженности с учётом сезонных и погодных факторов.
Материалы и методы. Для выявления паттернов в данных применено аддитивное разложение временного ряда, спектральный анализ на основе быстрого преобразования Фурье и оценка автокорреляционных зависимостей. Прогностическая модель реализована в виде двухэтапного подхода: классический алгоритм ARIMA используется для базового прогнозирования, а архитектура LSTM с двумя рекуррентными слоями и регуляризацией – для обучения на последовательностях длиной 24 часа. Дополнительно для сопоставления и подтверждения результатов применён ансамблевый метод Random Forest, настроенный с гиперпараметрами: 200 деревьев, максимальная глубина – 12, минимальное количество объектов в листе – 2.
Результаты. Результаты демонстрируют превосходство LSTM-модели над ARIMA и Random Forest по точности предсказаний, что подтверждается визуальным сопоставлением прогнозов с тестовыми данными и метрикой среднеквадратичной ошибки. Выявлены ключевые факторы, влияющие на загруженность: суточные циклы интенсивности трафика, рост нагрузки при осадках (до 30% при снеге и 20% при дожде), а также температурно-зависимая модуляция транспортного потока.
В учебном пособии рассматривается техника практического применения марковских моделей. Особенностью представленного материала является работа с исследуемым классом моделей в рамках решения, как правило, обратных задач, когда параметры математических моделей идентифицируются по результатам наблюдений. Основы теории марковских процессов представлены только в том объёме, который необходим для описания и решения поставленных математических задач.
Пособие предназначено для научных работников, аспирантов и студентов, изучающих и использующих методы математического и компьютерного моделирования.
Рекомендовано Учебно-методическим объединением по образованию в области прикладной информатики в качестве учебного пособия для студентов высших учебных заведений, обучающихся по направлению подготовки «Прикладная информатика».
Все права защищены. Любая часть этого издания не может быть воспроизведена в какой бы то ни было форме и какими бы то ни было средствами без письменного разрешения владельца авторских прав.
В работе рассмотрена многоуровневая модель индикативного планирования целевых индикаторов в системе «мир (много стран) - страна - отрасли - ресурсы - мероприятия». В предлагаемой имитационной модели реализуется подход на основе сценарного планирования. Поставлена задача анализа и прогноза целевых индикаторов страны на примере показателя ВВП по ППС. Проведены оценки необходимого для реализации целевого сценария роста ВВП и валовой добавленной стоимости (ВДС) отдельных отраслей. Определены удельные показатели эффективности по финансовым и кадровым ресурсам: производительность труда и капиталоемкость. Сделана оценка необходимых для реализации целевого сценария инвестиций в основной капитал и численность занятых. Показано, что для реализации целевого сценария роста ВДС необходимы меры по ускорению роста производительности труда, выделены наиболее актуальные отрасли. В качестве исходных данных использовались данные Мирового банка и Росстата.
Представлены линейные предикторы и каузальные фильтры для дискретных сигналов, имеющих различные виды дегенерации спектра. Эти предикторы и фильтры основаны на аппроксимации идеальных некаузальных передаточных функций каузальными передаточными функциями, представленными многочленами от Z-преобразования дискретной функции Хевисайда.
В статье рассматриваются актуальные вопросы научно обоснованного предопределения возможности наступления отрицательных явлений и событий при подготовке, в ходе проведения и на этапе фиксации результатов проверки показаний на месте. Проводится анализ понятия «прогнозирование тактического риска», даются организационно-тактические рекомендации по осуществлению этой деятельности на разных этапах производства следственного действия.
Прогнозирование представляет собой предсказание, предвидение развития выбранного объекта исследования в будущем на основе рассмотрения закономерностей развития данного объекта в прошлом.
В статье представлены основные цели, задачи и принципы прогнозирования процесса реализации программ стратегического назначения на территории муниципального образования.
Предложенные нами алгоритм и модель процесса реализации таких программ позволят повысить эффективность регулирования процесса реализации программ стратегического направления, выявить угрозы в социально-экономическом развитии рассматриваемого муниципального образования, а также незамедлительно среагировать на происходящие изменения во внешней среде муниципального образования и внутренних потребностей его развития, разрабатывать и принимать решения относительно рассматриваемого процесса, а также провести его корректировку.
Также предложена модель прогнозирования угроз муниципальному социально-экономическому развитию с учетом факторов, которые могут оказать влияние на рассматриваемый процесс, что позволит разработать комплекс мер по устранению угроз и повышению эффективности рассматриваемого в данной статье процесса.
Введение. Одним из приоритетных направлений современной государственной политики является повышение качества жизни граждан. В Указе Президента РФ «О национальных целях развития Российской Федерации на период до 2030 года» и в «Стратегии национальной безопасности Российской Федерации» определены основные направления повышения качества жизни граждан. Поскольку социально-экономическое развитие страны невозможно без повышения эффективности деятельности регионов, большое внимание уделяется разработке новых методов и подходов к анализу качества жизни населения. На сегодняшний день, несмотря на наличие многочисленных исследований в данной области, отсутствует универсальный математический аппарат для анализа и прогнозирования показателей качества жизни в регионе. Данное обстоятельство способствует снижению эффективности управленческой деятельности и, как следствие, слабому контролю за жизнедеятельностью территорий. Поэтому целью проведенного исследования стала разработка методики анализа и прогнозирования качества жизни в регионе.
Материалы и методы. Основой разработанной методики является математическая модель системной динамики. Модель включает в себя системные переменные, внешние факторы и функциональные зависимости, определяющие положительные и отрицательные взаимосвязи между элементами модели. В качестве моделируемых переменных используются показатели социально-экономического развития региона. Математическая модель состоит из восьми дифференциальных уравнений, решением которых при заданных начальных условиях и временном интервале являются прогнозные значения показателей качества жизни.
Результаты. Показана практическая реализация разработанной методики для анализа качества жизни в Саратовской области. Приведена характеристика современного состояния социально-экономического положения Саратовской области. Многовариантность прогнозирования реализована в разработке различных сценариев социально-экономического развития региона. Приведены графики прогнозных значений показателей качества жизни на временном интервале 2023, 2027 гг. Алгоритм реализации разработанной методики на варьируемых временных интервалах и разных уровнях управления показан с использованием информационно-логической схемы.
Обсуждения и выводы. Представленная авторская методика анализа показателей качества жизни населения в регионе направлена на своевременное предоставление ЛПР информации для принятия необходимых управленческих решений.
Статья посвящена применению методов машинного обучения при прогнозировании формирования перспективных секторов экономики нового поколения. В условиях современных цифровых трансформаций показано, что замена традиционной существующей экономики на экономические модели нового поколения является одним из приоритетных направлений развития в мире. Обоснована актуальность применения методов машинного обучения (МО), одной из технологий искусственного интеллекта (ИИ), в совершенствовании процессов формирования и развития традиционных секторов экономики, а также в прогнозировании ее перспективных секторов нового поколения. Проведен анализ научных исследований, посвященных проблеме. Цифровая трансформация и технологии, устойчивость и экологичность, экологизация технологий и цикличность, совместное использование, интеллектуальное принятие решений и управление, платформы и экосистемы, инновационное предпринимательство, исследования и экономическое развитие, инклюзивность и социальное развитие, платформенные технологии Индустрии 5.0 формирования технологической экономики нового поколения. Разработаны основные базовые принципы, такие как переход и т. д., проанализированы проблемы ее формирования. Изложены 1 2 особенности и перспективы применения методов машинного обучения при прогнозировании перспективных отраслей экономики нового поколения. Изложены классификационные признаки методов машинного обучения и показаны его модели. Разработана структурная схема этапов прогнозирования развития экономики и предоставлены сведения о ее методах. Проведен сравнительный анализ методов машинного обучения, применяемых при прогнозировании. Разработана структурная схема этапов применения метода машинного обучения в процессе прогнозирования. Даны актуальные рекомендации по применению технологий платформы «Индустрия 4.0» для прогнозирования формирования перспективных отраслей экономики нового поколения на основе реальных данных.