Материал: Интеллектуальные информационные системы. труды международной научно-практической конференции. И73

–обеспечение обмена данными между клиентами, поставщиками и организацией, а также инженерным департаментом и отделом продаж.

В мировой практике MES-системы применяются в сферах, связанных с переработкой нефти, фармацевтикой, в аэрокосмических и автомобильных отраслях. Примеры внедрения MES-систем на многономенклатурных предприятиях демонстрируют ряд преимуществ от их использования [5]:

–уменьшение времени производственного оборота примерно на 45%;

–сокращение времени входа в систему более чем на 75%;

–сведение к минимуму незавершенного производства;

–переход на электронный документооборот в 60% случаев;

–уменьшение времени выполнения заказа, в среднем на 27%;

–снижение выпуска бракованной продукции на 18%.

Сложность алгоритмов, которые применяются для создания расписаний, зависит от количества различных критериев, поддерживаемых системой MES. Однако человеку, управляющему системой, который отвечает за составление графика, не обязательно вникать в суть сложных процессов. Его задачей является выбор тех критериев оптимизации, которые больше всего подходят в данный момент при создании расписания.

Следует помнить, что MES-система – это в первую очередь многофункциональный инструмент, с помощью которого можно реализовывать разнообразные организационные решения. Функционал MES-системы позволяет сохранять и в дальнейшем использовать эффективные методы управления.

Литература

1.Дуболазов В.А. Оперативно-календарное планирование на промышленном предприятии. С-Пб. 2000. 336 с.

2.Минаева Ю.В. Структура подсистемы интеллектуализации управления сложным многономенклатурным производством // Интеллектуальные инфор-

мационные системы. Труды Международной научно-практической конференции. В 2-х частях. 2019. С. 132-133.

3. Минаева Ю.В. Математическая модель оптимизации иерархических многоуровневых систем производственного типа // Вестник Дагестанского государственного технического университета. Технические науки. 2018. Т.

45.№ 2. С. 140-148.

4.Загидуллин Р.Р. Управление машиностроительным производством с

помощью систем MES, APS, ERP.- ТНТ.- 2011.-С.-370.

5. Соломенцев Ю.М., Загидуллин Р.Р., Фролов Е. Б. Планирование в современных системах управления производством //Прикладные аспекты информатики.- 2010.-№4.-С.77-87.

ФГБОУ ВО «Воронежский государственный технический университет»

10

УДК 338.26

И. Н. Колесников, А. Г. Финогеев

ПРОГНОЗИРОВАНИЕ НАРУШЕНИЙ ПДД С ИСПОЛЬЗОВАНИЕМ МОДЕЛИ ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ ВРЕМЕННЫХ РЯДОВ

Задача прогнозирования будущих значений временного ряда на основе его исторических значений является основой для различного рода планирования и анализа данных. Задача прогнозирования временного ряда решается на основе создания модели прогнозирования, адекватно описывающей исследуемый процесс.

Базисная цель статистического анализа временного ряда заключается в том, чтобы по имеющейся траектории этого ряда:

−определить, какие из неслучайных функций присутствуют в разложении, то есть определить значения индикаторов;

−построить правильные оценки для тех неслучайных функций, которые присутствуют в разложении;

−подобрать модель, адекватно описывающую поведение случайных остатков, и статистически оценить параметры этой модели. [1]

Успешное решение перечисленных задач, обусловленных базовой целью статистического анализа временного ряда, является основой для достижения конечных прикладных целей исследования и, в первую очередь, для решения задачи кратко- и среднесрочного прогноза значений временного ряда.

Уровни временного ряда формируются под воздействием достаточно большого количества факторов. Их условно можно разделить на три

группы:

−факторы, формирующие тенденцию ряда;

−факторы, формирующие циклические (и/или сезонные) колебания

ряда;

−случайные факторы [2].

Любой ряд можно представить в виде композиции этих составляющих. Однако следует отметить, что операция декомпозиции временного ряда, полезная для моделирования изучаемого явления и допустимая с математической точки зрения, может в некоторых случаях ввести в заблуждение. Например, предположение о независимом влиянии указанных компонент является неоправданным с практической точки зрения. Однако в ряде случаев разложение временного ряда на компоненты позволяет существенно упростить понимание механизмов развития социально-экономических процессов [3].

Метод обладает большими возможностями и дает более надежные результаты. Кроме тренда самого ряда, он позволяет установить наличие тренда дисперсии временного ряда: если тренда дисперсии нет, то разброс уровней ряда постоянен, если дисперсия увеличивается, то ряд становиться более широким.

11

Очень часто уровни временных рядов в экономике колеблются, поэтому тенденция развития экономического явления во времени скрыта случайными отклонениями уровней в ту или иную сторону. С целью более четко выявить тенденцию развития исследуемого процесса производят сглаживание (выравнивание) временных рядов. [4]

В разрабатываемой информационной системе будут использоваться методы экспоненциального сглаживания. Модель экспоненциального сглаживания применяется для моделирования финансовых и экономических процессов. В основу экспоненциального сглаживания заложена идея постоянного пересмотра прогнозных значений по мере поступления фактических. Модель ES присваивает экспоненциально убывающие веса наблюдениям по мере их старения. Таким образом, последние доступные наблюдения имеют большее влияние на прогнозное значение, чем старшие наблюдения. [5]

При мониторинге дорожно-транспортной инфраструктуры используются традиционные методы и методы дистанционного мониторинга.

К традиционным методам относятся:

−Регистрация проходящего автотранспорта людьми операторами. При этом, человек должен регистрировать параметры безопасности дорожного движения и заносить свои наблюдения в полевой журнал. Для полного охвата больших территорий необходима одновременная работа большого числа операторов. На точность влияет: квалификация оператора, усталость, невнимательность. Это приводит к ошибкам и некоторому искажению реальной ситуации.

−Опрос работников автотранспортных предприятий. Этот метод позволяет достаточно быстро оценить наиболее напряженные участки дорожной сети, но имеет недостатки в точности.

К методам дистанционного мониторинга относятся:

−Регистрация проходящего автотранспорта с помощью различных датчиков. К достоинствам можно отнести оперативность получаемой информации, а также точность измерений повышаются за счет автоматической регистрации, автоматической передачи данных в центр обработки, и минимизации влияния «человеческого фактора». К недостаткам можно отнести то, что единовременные затраты на установку датчиков, развитие инфраструктуры связи с центром обработки довольно высоки. [6]

Проактивный мониторинг дорожно-транспортной инфраструктуры. Помимо данных с различных информации, получаемой с различных датчиков, информация о дорожно-транспортной ситуации поступает из большого числа различных источников. Для обработки большого количества данных и использованиях их для прогнозирования будущей ситуации используются элементы искусственного интеллекта и методы интеллектуального анализа данных. К недостаткам можно отнести существенное усложнение системы и возможные ошибки прогнозов при неправильно выбранных моделях прогнозирования. К достоинствам полная автоматизация процесса и возможность получения про-

12

гнозов дорожно-транспортной ситуации, позволяющая предотвращать различные инциденты [7].

На вход в приложение подается временной ряд. Далее по усмотрению пользователя вводятся данные о тематике временного ряда. Система начинает поиск по большим данным и привязывает наиболее подходящие собы-

тия/данные к временной шкале. Как только достаточное количество данных привязано, начинается поиск данных для точки настоящего времени по уже известным ключевым словам. Далее алгоритмами кластеризации происходит поиск похожих по смыслу событий в области исторических показателей. Все наилучшие соответствия по каждому событию подставляются в формулу скользящего среднего, и в результате вычисляется прогноз на текущий либо на будущий показатель: SMA = ∑ .

В результате имеем ряд средних значений по всем типам событий. Теперь нужно оценить важность каждого события. Для этого найдем сумму произведений показателей по событиям и их весов. Веса определяются в процентном со-

ям всех событий и уточненный по количеству упоминаний каждого события[8]. Задача прогнозирования временных рядов имеет высокую актуальность

для многих предметных областей и является неотъемлемой частью повседневной работы многих компаний. Разрабатываемая информационная система позволит решить целый спектр задач прогнозирования для различных предметных областей.

Определено, что наиболее перспективным направлением развития моделей прогнозирования с целью повышения точности является создание комбинированных моделей, выполняющих на первом этапе кластеризацию, а затем прогнозирование временного ряда внутри установленного кластера.

Литература

1.Безручко В. П., Смирнов Д. А. Математическое моделирование хаотических временных рядов Саратов: Гос УНЦ «Колледж», 2005. 532 с.

2.Малинецкий Г. Г., Потапов А. Б., Подлазов А. В. Нелинейная динамика. Подходы, результаты, надежды. М.: КомКнига, 2006.

3.Халафян А. А. STATISTICA 6. Статистический анализ данных. М.:

Бином, 2010.

4.Шустер Г. Детерминированный хаос. Введение. М.: Мир, 1988

5.Круг П. Г. Нейронные сети и нейрокомпьютеры. М.: Изд-во МЭИ, 2002, с. 32-34.

13

6.Бенгус Б. В. Прогнозирование тенденции временного ряда с помощью искусственной нейронной сети. – Обозрение прикладной и промышленной математики. Том 21, № 1, 2014.

7.Э. Леман. Теория точечного оценивания. М.: Наука, 1991. – 448 с.

8.Лукасевич И. Я. Анализ финансовых операций. – М.: Финансы,

1998.

Пензенский государственный университет

УДК 004.421.4

А. Г. Остапенко, Е. А. Шварцкопф, А. А. Остапенко, Е. Р. Нежельский

КОНТЕНТ-ПАНДЕМИЯ И МОНИТОРИНГ ИНТЕРНЕТ-РЕСУРСОВ В СВЯЗИ С РАСПРОСТРАНЕНИЕМ COVID-19

Пандемия (pandemos) с греческого переводится как «весь народ», и этим термином принято обозначать процессы, касающиеся каждого члена социума (масштабные эпидемии и т.п.). Эпидемию COVID-19 в ранг пандемии возвел Интернет, а точнее беспрецедентное возбуждение его пространства (по данному поводу), мониторинг которого осуществлялся авторами настоящей работы с помощью модернизированного программного комплекса Netepidemic в целях исследования процессов информационного противоборства [1-4], включая эпидемиологию [5-6], в том числе в социальных сетях [7-8] и других Интернетресурсах. Существенно расширив арсенал метрологии, поле сканирования и библиотеки выявления деструктивных контентов, авторы получили метрики не только отдельных постов, но и контент-восприимчивости Интернет-ресурсов, как основных источников информационного возмущения. Это позволило ранжировать их при сканировании, в том числе с учетом тематической ориентации.

Анализ (с использованием вышеупомянутого программно-технического комплекса) показывает, что в информационную «раскрутку» COVID-19 включились широчайшие слои Интернет-пользователей:

–«фейкометы» в целях получения дешевой популярности начали и все еще продолжают генерировать и распространять фальшивые цифры и факты: от авиаопыления городов до бегства руководства из очага эпидемии; от рефрижераторов, забитых трупами, до пустых полок в магазинах. Все это сеет панику и подрывает авторитет власти, которая обязана жестко отреагировать на эти вызовы правовыми средствами;

–«конспирологи» вбросили в сети многочисленные версии: от инопланетного до рукотворного происхождения вируса; странах, виновных в распространении COVID-19, от США до Китая; от репетиции биологической войны до искусственного создания ситуации для списания долгов и передела Мира. Это

14