Розроблено метод побудови комбінованої моделі прогнозування часових рядів на підставі базових моделей прогнозування. Множина базових моделей є динамічною, тобто у цю множину можуть вноситися нові моделі прогнозування, можуть видалятися моделі залежно від властивостей часових рядів. Для синтезу комбінованої моделі прогнозування часових рядів з заданим кроком прогнозу на початку визначається оптимальний крок передісторії.
Розглянуто завдання відновлення пропущених значень у результатах тестування реципієнтів, поданих часовими рядами. Як експериментальні дані наведено штучні часові ряди із пропущеними значеннями. Ефективність відновлення оцінюється відносною похибкою відновленого значення. Наведено приклади відновлення пропусків у таблиці часових рядів та в індивідуальному часовому ряді. Використано прості методи заміни пропуску середнім, зваженим середнім та медіаною.
Проведено аналіз селеутворювальних чинників, які впливають на багаторічну активність селів. Запропоновано методику прогнозування селів з урахуванням метеорологічних, гідрогеологічних, сейсмічних, геліофізичних чинників. Виявлено закономірності багаторічної сезонності цих чинників за допомогою автокореляційного та спектрального аналізу. Розраховано інтегральний показник ймовірності селевої активізації. Екстрапольовано ряд інтегрального показника та cпрогнозовано наступний пік активізації селів.
Presented a model of carrier personnel from experimental results. Model of the filed two components – a trend equation and the distribution of deviations from trend data. Trend equation is analytic function – with mixed polynomial degree. Rejection levels approximated by Rayleigh distribution law. Both models provide a system for objective assessments identifying personnel.
In this paper the radial-basis neural network was used for software failures prediction. The influence of activation function of the RBF neural net on the learning efficiency and software failures prediction is studied. It is shown that the optimal activation function is Inverse Multiquadric with 10 neurons in the input layer and 30 neurons in the hidden one (square of Pearson correlation coefficient is 0.997 and mean deviation is 14.4).
The recurrence plots tool origination and foundation process is considered. Construction method of recurrence plots based on time series is described. Recurrent plots dependence on the input parameters is analyzed and shown.