ARIMA

МАТЕМАТИЧНІ МОДЕЛІ ДЛЯ АНАЛІЗУ ТА ПРОГНОЗУВАННЯ ЗАБРУДНЕННЯ РІЧКОВОЇ ВОДИ З ВИКОРИСТАННЯМ МУЛЬТИФРАКТАЛЬНОГО МЕТОДУ

Стаття досліджує застосування мультифрактального аналізу до вибраних часових рядів даних про забруднення води та подальше прогнозування за показником біохімічного споживання кисню (БСК) на основі фрактальної моделі ARFIMA. Для оцінки параметра фрактальної диференціації в моделі ARFIMA використано мультифрактальний алгоритм MFDFA. Отримані результати порівнюються з аналогічними, отриманими за допомогою авторегресійної моделі ARIMA та базової фрактальної моделі ARFIMA.

МОДЕЛІ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ ARIMA ТА LSTM В ЕКОНОМІЦІ ТА ФІНАНСАХ

Прогнозування часових рядів є важливим завданням у економіці, бізнесі та фінансах. Традиційно для прогнозування використовуються такі методи, як авторегресія (AR), рухоме середнє (MA), експоненціальне згладжування (SES) і, найпоширеніше, авторегресійна інтегрована модель ковзного середнього (ARIMA). Модель ARIMA продемонструвала високу точність у прогнозуванні майбутніх значень часових рядів. Завдяки розвитку обчислювальних потужностей та алгоритмів глибокого навчання з’явилися нові підходи до прогнозування.

МІГРАЦІЯ СЕРВІСІВ В КЛАСТЕРІ KUBERNETES НА ОСНОВІ ПРОГНОЗУВАННЯ НАВАНТАЖЕННЯ

У статті розглядається проблема масштабування мікросервісів в кластері Kubernetes, розглянуто існуючі підходи масштабування мікросервісної архітектури та запропоновано підхід до масштабування шляхом міграції частини компонентів. На відміну від найбільш поширених підходів горизонтального та вертикального масштабування, в яких необхідне виділення додаткових ресурсів для їх здійснення, суть запропонованого підходу полягає в міграції частини компонентів, які не є критично важливими для кінцевого користувача системи, на інший Kubernetes кластер.

РОЗРОБЛЕННЯ ПРОГРАМНО-АЛГОРИТМІЧНОГО ЗАБЕЗПЕЧЕННЯ ДЛЯ ПРОГНОЗУВАННЯ ЗАБРУДНЕННЯ РІЧКОВИХ ВОД З ВИКОРИСТАННЯМ МЕТОДІВ ФРАКТАЛЬНОГО АНАЛІЗУ

У статті досліджено застосування фрактальної моделі ARFIMA для прогнозування динаміки забруднення річкових вод на основі вимірювання біохімічного споживання кисню . Дослідження починається з огляду суміжних робіт у галузі аналізу якості води. На цьому етапі також вибирається відповідний набір даних, який використовується для навчання ARFIMA, однієї з моделей машинного навчання. Напівпараметричний алгоритм GPH застосовано для оцінки параметра фрактального диференціювання ARFIMA.

Прогнозування кількості мережевих запитів до хмарного застосунку

Проаналізовано доцільність використання наявних методів прогнозування часових рядів для прогнозування кількості мережевих запитів до хмарного застосунку. Визначено оптимальні методи для різних режимів роботи хмарного застосунку. Досліджено точність прогнозування кількості мережевих запитів за допомогою комбіновано методу, що враховує стан мережевого застосунку.