Аннотация:

Развитие современных систем искусственного интеллекта невозможно себе представить без нейросетевых технологий. В процессе проектирования исследователи часто сталкиваются с тем, что данных для обучения современных нейросетевых моделей недостаточно, эти данные могут быть несбалансированны или сильно разрежены. Нередко случается, что реальных данных просто не существует, так как область исследований еще только формируется. Актуальной является проблема обеспечения конфиденциальности реальных персональных данных или медицинских данных пациентов, которые используются в процессе обмена между исследователями или в процессе тестирования различных нейросетевых систем. Во многих предметных областях стоимость сбора и разметки реальных данных может быть чрезмерно высокой. Для решения этих проблем все чаще используются синтетические данные.

Цель данной публикации состоит в том, чтобы познакомить читателей с достижениями в области генерации и использования обучающих синтетических данных. В работе представлено описание различных методов, систем и программных средств, используемых для генерации синтетических данных, которые могут помочь в улучшении нейросетевых моделей. Поскольку в настоящее время уже сформировалась целая индустрия по производству синтетических данных, представлены ведущие технологические платформы синтеза данных. Работа носит обзорный характер, поэтому содержит обширную библиографию. Ценность статьи заключается в том, что приведенный обзор поможет читателям расширить представления об использовании синтетических данных в решении широкого спектра нейросетевых задач, а также глубже познакомится с методами и инструментами для их генерации.

Ключевые слова:

искусственный интеллект, нейросетевые алгоритмы, синтетические данные, генерация, сверточные нейронные сети, CNN, глубокие нейронные сети, DNN, генеративные состязательные сети, GAN, адаптация домена, рандомизация, 3D-модели, симуляция, виртуальная реальность.

Сведения об авторах:

Рабчевский Андрей Николаевич – кандидат технических наук, старший преподаватель, кафедра информационной безопасности и систем связи; заместитель директора по науке, e-mail: ran@psu.ru, ORCID 0000-0002-4096-9145.

Список литературы:

1. Evaluating intrusion detection systems: the 1998 DARPA off-line intrusion detection evaluation / R.P. Lippmann, D.J. Fried, I. Graf, J.W. Haines, K.R. Kendall, D. McClung, D. Weber, S.E. Webster, D. Wyschogrod, R.K. Cunningham, M.A. Zissman // In: Proceedings DARPA Information Survivability Conference and Exposition. DISCEX’00. IEEE Comput. Soc. – 2000. – P. 12–26. DOI: 10.1109/DISCEX.2000.821506

2. Lundin E., Kvarnström H., Jonsson E.A. Synthetic Fraud Data Generation Methodology // Deng Robertand Bao, Fengand Zhou Jianyingand, and Qing Sihan (eds.) Information and Communications Security. Springer Berlin Heidelberg, Berlin, Heidelberg. – 2002. – Р. 265–277. DOI: 10.1007/3-540-36159-6_23

3. Learning Deep Models from Synthetic Data for Extracting Dolphin Whistle Contours /
P. Li, X. Liua, K.J. Palmer, E. Fleishman, D. Gillespie, E.-M. Nosal, Y. Shiu, H. Klinck,
D. Cholewiak, T. Helble, M.A. Roch. – 2020. DOI: 10.48550/ARXIV.2005.08894

4. Lombardo, J. Method for Generation and Distribution of Synthetic Medical Record Data for Evaluation of Disease-Monitoring Systems / J. Lombardo, L.A. Moniz // Johns Hopkins APL Technical Digest (Applied Physics Laboratory). – 2008. – Vol. 27.

5. Construction and Validation of Synthetic Electronic Medical Records / L. Moniz, A.L. Buc­zak, L. Hung, S. Babin, M. Dorko, J. Lombardo // Online J Public Health Inform. – 2009. – Vol. 1. DOI: 10.5210/ojphi.v1i1.2720

6. Buczak A.L., Babin S., Moniz L. Data-driven approach for creating synthetic electronic medical records // BMC Med Inform Decis Mak. – 2010. – Vol. 10, iss. 1. DOI: 10.1186/1472-6947-10-59

7. Jin C., Rinard M.C. Learning From Context-Agnostic Synthetic Data // CoRR. – 2020. – abs/2005.14707

8. McKenna R., Miklau G., Sheldon D. Winning the NIST Contest: A scalable and general approach to differentially private synthetic data // CoRR. – 2021. – abs/2108.04978

9. Noise-Aware Statistical Inference with Differentially Private Synthetic Data / O. Räisä,
J. Jälkö, S. Kaski, A. Honkela // arXiv. – 2022. – abs/2205.14485. DOI: 10.48550/ARXIV. 2205.14485

10. Awan J., Cai Z. One Step to Efficient Synthetic Data // arXiv. – 2020. – bs/2006.02397. DOI: 10.48550/ARXIV.2006.02397

11. Goetz J., Tewari A. Federated Learning via Synthetic Data // CoRR. – 2020. – abs/2008.04489

12. FedSynth: Gradient Compression via Synthetic Data in Federated Learning / S. Hu,
J. Goetz, K. Malik, H. Zhan, Z. Liu, Y. Liu // arXiv. – 2022. – abs/2204.01273. DOI: 10.48550/ ARXIV.2204.01273

13. SMOTE: Synthetic Minority Over-sampling Technique / N.V. Chawla, K.W. Bowyer, L.O. Hall, W.P. Kegelmeyer // Journal of Artificial Intelligence Research. – 2002. – Vol. 16. –
P. 321–357. DOI: 10.1613/jair.953

14. Mukherjee M., Khushi M. SMOTE-ENC: A novel SMOTE-based method to generate synthetic data for nominal and continuous features // Applied System Innovation. – 2021. –
Vol. 4, iss. 1. – Art. 18. DOI: 10.3390/asi4010018.

15. A Method for Handling Multi-class Imbalanced Data by Geometry based Information Sampling and Class Prioritized Synthetic Data Generation (GICaPS) / A. Majumder, S. Dutta,
S. Kumar, L. Behera // CoRR. – 2020. – abs/2010.05155

16. Gonsior J., Thiele M., Lehner W. ImitAL: Learning Active Learning Strategies from Synthetic Data //. CoRR. – 2021. – abs/2108.07670

17. Dataset Condensation via Efficient Synthetic-Data Parameterization / J.-H. Kim,
J. Kim, S.J. Oh, S. Yun, H. Song, J. Jeong, J.-W. Ha, H.O. Song // arXiv. – 2022. – abs/2205. 14959. DOI: 10.48550/ARXIV.2205.14959

18. Effective Use of Synthetic Data for Urban Scene Semantic Segmentation / F.S. Saleh, M.S. Aliakbarian, M. Salzmann, L. Petersson, J.M. Alvarez // CoRR. – 2018. – abs/1807.06132

19. Mason K., Vejdan S., Grijalva S. An “On The Fly” Framework for Efficiently Generating Synthetic Big Data Sets // CoRR. – 2019. – abs/1903.06798

20. Condrea F., Ivan V.-A., Leordeanu M. In Search of Life: Learning from Synthetic Data to Detect Vital Signs in Videos // CoRR. – 2020. – abs/2004.07691

21. Conditional Synthetic Data Generation for Robust Machine Learning Applications with Limited Pandemic Data / H.P. Das, R. Tran, J. Singh, X. Yue, G. Tison, A.L. Sangiovanni-Vincentelli, C.J. Spanos // CoRR. – 2021. – abs/2109.06486

22. Рабчевский А.Н., Ашихмин Е.Г., Рабчевский Е.А. Моделирование структуры пропаганды протестного движения в социальных сетях с помощью графового анализа и нейросетевых технологий. – текст: непосредственный // Математическое и компьютерное моделирование: сборник материалов IX Международной научной конференции, посвященной 85-летию профессора В.И. Потапова. – Омск, 2021. – С. 273–276.

23. Rabchevsky A., Yasnitsky L., Zayakin V. Comparison of methods for identifying user roles in online social networks // Applied Mathematics and Control Sciences. – 2021. Vol. 2. –
P. 93–111. DOI: 10.15593/2499-9873/2021.2.06

24. Rabchevskiy A.N., Yasnitskiy L.N. Creating and Using Synthetic Data for Neural Network Training, Using the Creation of a Neural Network Classifier of Online Social Network User Roles as an Example // Digital Science. DSIC 2021. Lecture Notes in Networks and Systems, Springer, Cham. – 2022. – Vol. 381. – P. 412–421. DOI: 10.1007/978-3-030-93677-8_36

25. Generation of synthetic training data for object detection in piles / E. Buls, R. Kadikis,
R. Cacurs, J. Ārents // D.P. Nikolaev, P. Radeva, A. Verikas, J. Zhou (eds.) Eleventh International Conference on Machine Vision (ICMV 2018), SPIE. – 2019. – P. 105. DOI: 10.1117/12.2523203

26. An Annotation Saved is an Annotation Earned: Using Fully Synthetic Training for Object Instance Detection / S. Hinterstoisser, O. Pauly, H. Heibel, M. Marek, M. Bokeloh // CoRR. – 2019. – abs/1902.09967

27. Dina A.S., Siddique A.B., Manivannan D. Effect of Balancing Data Using Synthetic Data on the Performance of Machine Learning Classifiers for Intrusion Detection in Computer Networks // arXiv. – 2022. – abs/2204.00144. DOI: 10.48550/ARXIV.2204.00144

28. Charitou C., Dragicevic S., d’Avila Garcez A. Synthetic Data Generation for Fraud Detection using GANs // CoRR. – 2021. – abs/2109.12546

29. Generative Adversarial Networks for Synthetic Data Generation: A Comparative Study /
C. Little, M. Elliot, R. Allmendinger, S.S. Samani // arXiv. – 2021. – abs/2112.01925. DOI: 10.48550/ARXIV.2112.01925

30. GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification / M. Frid-Adar, I. Diamant, E. Klang, M. Amitai, J. Goldberger,
H. Greenspan // Neurocomputing. – 2018. – Vol. 321. – P. 321–331. DOI: 10.1016/j.neucom. 2018.09.013

31. GAN-based synthetic brain MR image generation / C. Han, H. Hayashi, L. Rundo,
R. Araki, W. Shimoda, S. Muramatsu, Y. Furukawa, G. Mauri, H. Nakayama // 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018). – 2018. – P. 734–738.

32. Constrained Generative Adversarial Network Ensembles for Sharable Synthetic Data Generation / E. Dikici, L.M. Prevedello, M. Bigelow, R.D. White, B.S. Erdal // arXiv. – 2020. – abs/2003.00086. DOI: 10.48550/ARXIV.2003.00086

33. Using Synthetic Data to Enhance the Accuracy of Fingerprint-Based Localization:
A Deep Learning Approach / M. Nabati, H. Navidan, R. Shahbazian, S.A. Ghorashi, D. Win­dridge // IEEE Sens Lett. – 2020. – Vol. 4. – P. 1–4. DOI: 10.1109/lsens.2020.2971555

34. Synthetic Data Generation and Adaption for Object Detection in Smart Vending Machines / K. Wang, F. Shi, W. Wang, Y. Nan, S. Lian // CoRR. – 2019. – abs/1904.12294

35. Synthetic Data and Hierarchical Object Detection in Overhead Imagery / N. Clement,
A. Schoen, A.P. Boedihardjo, A. Jenkins // CoRR. – 2021. – abs/2102.00103

36. Jordon J., Yoon J., van der Schaar M. PATE-GAN: Generating Synthetic Data with Differential Privacy Guarantees // In: ICLR. – 2019.

37. Arnold C. Releasing differentially private synthetic micro-data with bayesian gans. – 2018.

38. Li M., Zhuang D., Chang J.M. MC-GEN:Multi-level Clustering for Private Synthetic Data Generation // arXiv. – 2022. – abs/2205.14298. DOI: 10.48550/ARXIV.2205.14298

39. Incentivizing Collaboration in Machine Learning via Synthetic Data Rewards /
S.S. Tay, X. Xu, C.S. Foo, B.K.H. Low // CoRR. – 2021. – abs/2112.09327

40. Liu T., Vietri G., Wu Z.S. Iterative Methods for Private Synthetic Data: Unifying Framework and New Methods // CoRR. – 2021. – abs/2106.07153

41. Low Light Video Enhancement using Synthetic Data Produced with an Intermediate Domain Mapping / D. Triantafyllidou, S. Moran, S. McDonagh, S. Parisot, G. Slabaugh // arXiv. – 2020. –abs/2007.09187. – DOI: 10.48550/ARXIV.2007.09187

42. Adapting deep generative approaches for getting synthetic data with realistic marginal distributions / K. Farhadyar, F. Bonofiglio, D. Zoeller, H. Binder // atXiv. – 2021. – abs/2105. 06907. DOI: 10.48550/ARXIV.2105.06907

43. DECAF: Generating Fair Synthetic Data Using Causally-Aware Generative Networks / B. van Breugel, T. Kyono, J. Berrevoets, M. van der Schaar // CoRR. – 2021. – abs/2110.12884

44. Graham P., Penny R. Multiply Imputed Synthetic Data Files // Official Statistics Research Series, Statistics New Zealand. – 2007. – Vol. 1.

45. Boedihardjo M., Strohmer T., Vershynin R. Private sampling: a noiseless approach for generating differentially private synthetic data // CoRR. – 2021. – abs/2109.14839

46. Boedihardjo M., Strohmer T., Vershynin R. Covariance’s Loss is Privacy’s Gain: Computationally Efficient, Private and Accurate Synthetic Data // CoRR. – 2021. – abs/2107.05824

47. Kamthe S., Assefa S., Deisenroth M. Copula Flows for Synthetic Data Generation // arXiv. – 2021. – abs/2101.00598. DOI: 10.48550/ARXIV.2101.00598

48. Li Z., Zhao Y., Fu J. SYNC: A Copula based Framework for Generating Synthetic Data from Aggregated Sources // arXiv. – 2020. – abs/2009.09471. DOI: 10.48550/ARXIV. 2009.09471

49. End-to-End Synthetic Data Generation for Domain Adaptation of Question Answering Systems / S. Shakeri, C.N. dos Santos, H. Zhu, P. Ng, F. Nan, Z. Wang, R. Nallapati, B. Xiang // CoRR. – 2020. – abs/2010.06028

50. Bousquet O., Livni R., Moran S. Synthetic Data Generators: Sequential and Private // arXiv. – 2019. – abs/1902.03468. DOI: 10.48550/ARXIV.1902.03468

51. Exploring Invariances in Deep Convolutional Neural Networks Using Synthetic Images / X. Peng, B. Sun, K. Ali, K. Saenko // CoRR. – 2014. – abs/1412.7122

52. Transfer Learning from Synthetic to Real Images Using Variational Autoencoders for Precise Position Detection / T. Inoue, S. Choudhury, G. de Magistris, S. Dasgupta // 2018
25th IEEE International Conference on Image Processing (ICIP). – 2018. – P. 2725–2729. DOI: 10.1109/ICIP.2018.8451064

53. Learning to Augment Synthetic Images for Sim2Real Policy Transfer / A. Pashevich,
R. Strudel, I. Kalevatykh, I. Laptev, C. Schmid // CoRR. – 2019. – abs/1903.07740. DOI: 10.48550/arXiv.1903.07740

54. AutoSimulate: (Quickly) Learning Synthetic Data Generation / H.S. Behl, A.G. Baydin, R. Gal, P.H.S. Torr, V. Vineet // CoRR. – 2020. – abs/2008.08424.

55. ProcSy: Procedural Synthetic Dataset Generation Towards Influence Factor Studies Of Semantic Segmentation Networks / S. Khan, B. Phan, R. Salay, K. Czarnecki // CVPR Workshops. – 2019.

56. Illumination Invariant Camera Localization Using Synthetic Images / S. Shoman,
T. Mashita, A. Plopski, P. Ratsamee, Y. Uranishi, H. Takemura // 2018 IEEE International Symposium on Mixed and Augmented Reality Adjunct (ISMAR-Adjunct). – IEEE. – 2018. – P. 143–144. DOI: 10.1109/ISMAR-Adjunct.2018.00053

57. Rozantsev A., Lepetit V., Fua P. On rendering synthetic images for training an object detector // Computer Vision and Image Understanding. – 2015. – Vol. 137. – P. 24–37. DOI: 10.1016/j.cviu.2014.12.006

58. Synthetic Data Are as Good as the Real for Association Knowledge Learning in Multi-object Tracking / Y. Liu, Z. Wang, X. Zhou, L. Zheng // CoRR. – 2021. – abs/2106.16100

59. Automatic Generation of Synthetic LiDAR Point Clouds for 3-D Data Analysis /
F. Wang, Y. Zhuang, H. Gu, H. Hu // IEEE Trans Instrum Meas. – 2019. – Vol. 68. – P. 2671–2673. DOI: 10.1109/TIM.2019.2906416

60. Learning how to analyse crowd behaviour using synthetic data / A.R. Khadka,
M.M. Oghaz, W. Matta, M. Cosentino, P. Remagnino, V. Argyriou // Proceedings of the 32nd International Conference on Computer Animation and Social Agents. – ACM. – New York. – NY. – USA. – 2019. – P. 11–14. DOI: 10.1145/3328756.3328773

61. Synthetic Data Generation for Deep Learning of Underwater Disparity Estimation /
E.A. Olson, C. Barbalata, J. Zhang, K.A. Skinner, M. Johnson-Roberson // OCEANS 2018 MTS/IEEE Charleston. – 2018. – P. 1–6.

62. Sun S., Shi H., Wu Y. A survey of multi-source domain adaptation // Information Fusion. – 2015. – Vol. 24. – P. 84–92. DOI: 10.1016/j.inffus.2014.12.003

63. Ren Z., Lee Y.J. Cross-Domain Self-Supervised Multi-task Feature Learning Using Synthetic Imagery // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2018. – P. 762–771. DOI: 10.1109/CVPR.2018.00086

64. Effect of Kinematics and Fluency in Adversarial Synthetic Data Generation for ASL Recognition with RF Sensors / M.M. Rahman, E. Malaia, A.C. Gurbuz, D.J. Griffin, C. Crawford, S. Gurbuz // IEEE Trans Aerosp Electron Syst. – 2022. – Vol. 1. DOI: 10.1109/taes. 2021.3139848

65. Alkhalifah T., Wang H., Ovcharenko O. MLReal: Bridging the gap between training on synthetic data and real data applications in machine learning // arXiv. – 2021. – abs/2109.05294. DOI: 10.48550/ARXIV.2109.05294

66. Learning from Synthetic Data for Opinion-free Blind Image Quality Assessment in the Wild / Z. Wang, Z.-R. Tang, Z. Yu, J. Zhang, Y. Fang // CoRR. – 2021. – abs/2106.14076

67. Meta-Sim: Learning to Generate Synthetic Datasets / A. Kar, A. Prakash, M.-Y. Liu,
E. Cameracci, J. Yuan, M. Rusiniak, D. Acuna, A. Torralba, A. Fidler // CoRR. – 2019. – abs/1904.11621

68. Stein G.J., Roy N. GeneSIS-RT: Generating Synthetic Images for training Secondary Real-world Tasks // CoRR. – 2017. – abs/1710.04280. DOI: 10.48550/arXiv.1710.04280

69. S^3Net: Semantic-Aware Self-supervised Depth Estimation with Monocular Videos and Synthetic Data / B. Cheng, I.S. Saggu, R. Shah, G. Bansal, D. Bharadia // CoRR. – 2020. – abs/2007.14511

70. PeopleSansPeople: A Synthetic Data Generator for Human-Centric Computer Vision / S.E. Ebadi, Y.-C. Jhang, A. Zook, S. Dhakad, A. Crespi, P. Parisi, S. Borkman, J. Hogins,
S. Ganguly // CoRR. – 2021. – abs/2112.09290

71. Hart K.M., Goodman A.B., O’Shea R.P. Automatic Generation of Machine Learning Synthetic Data Using ROS // CoRR. – 2021. – abs/2106.04547

72. UnrealROX+: An Improved Tool for Acquiring Synthetic Data from Virtual 3D Environments / P. Martinez-Gonzalez, S. Oprea, J.A. Castro-Vargas, A. Garcia-Garcia, S. Orts-Escolano, J.G. Rodrguez, M. Vincze // CoRR. – 2021. – abs/2104.11776

73. Jin C., Rinard M.C. Learning From Context-Agnostic Synthetic Data // CoRR. – 2020. – abs/2005.14707

74. Baek K., Shim H. Commonality in Natural Images Rescues GANs: Pretraining GANs with Generic and Privacy-free Synthetic Data // arXiv. – 2022. – abs/2204.04950. DOI: 10.48550/ ARXIV.2204.04950

75. Deep Learning based Food Instance Segmentation using Synthetic Data / D. Park,
J. Lee, J. Lee, K. Lee // CoRR. – 2021. – abs/2107.07191

76. Raab G.M., Nowok B., Dibben C. Assessing, visualizing and improving the utility of synthetic data // arXiv. – 2021. – abs/2109.12717. DOI: 10.48550/ARXIV.2109.12717

77. Unity Perception: Generate Synthetic Data for Computer Vision / S. Borkman,
A. Crespi, S. Dhakad, S. Ganguly, J. Hogins, Y.-C. Jhang, M. Kamalzadeh, B. Li, S. Leal, P. Parisi, C. Romero, W. Smith, A. Thaman, S. Warren, N. Yadav // CoRR. – 2021. – abs/2107.04259

78. ElderSim: A Synthetic Data Generation Platform for Human Action Recognition in Eldercare Applications / H. Hwang, C. Jang, G. Park, J. Cho, I.-J. Kim // arXiv. – 2020. – abs/2010.14742. – DOI: 10.48550/ARXIV.2010.14742

79. Dilmegani G. Top 20 Synthetic Data Use Cases & Applications in 2023: сайт [Электронный ресурс]. – URL: https://research.aimultiple.com/synthetic-data-use-cases (дата обращения: 13.09.2023).

80. Dilmegani G. The Ultimate Guide to Synthetic Data: Uses, Benefits & Tools: сайт [Электронный ресурс]. – URL: https://research.aimultiple.com/synthetic-data-tools (дата обращения: 13.09.2023).

81. Dilmegani G. The Ultimate Guide to Synthetic Data in 2023: сайт [Электронный ресурс]. – URL: https://research.aimultiple.com/synthetic-data/ (дата обращения: 13.09.2023).

82. Dilmegani G. Synthetic Data Generation: Techniques, Best Practices & Tools: сайт [Электронный ресурс]. – URL: https://research.aimultiple.com/synthetic-data-generation/ (дата обращения: 13.09.2023).

83. Черепанов Ф.М., Ясницкий Л.Н. Лабораторный практикум по нейросетевым технологиям. – текст: непосредственный. // Перспективные технологии искусственного интеллекта: сборник трудов международной научно-практической конференции (Пенза, Пензенский ун-т, Научный Совет РАН по методологии искусственного интеллекта, 1-6 июля 2008 г.) / Пенз. ун-т. – Пенза. – 2008. – С. 128–130.

84. Черепанов Ф.М., Ясницкий Л.Н. Лабораторный практикум по нейросетевым технологиям: свидетельство о государственной регистрации программы для ЭВМ № 2009611544. Заявка № 2009610226. Зарегистрировано в Реестре программ для ЭВМ 12 марта 2009 г.

Аннотация:

Рассматриваются основные этапы обработки и методы отбора признаков для их дальнейшего использования в алгоритмах машинного обучения для построения моделей, которые предназначены для прогнозирования полярных сияний. Целью работы является сравнение методов отбора признаков при построении модели диагностики наличия полярных сияний на основе интеллектуального анализа геомагнитных данных.

В качестве исходных данных для настоящей работы использовались данные обсерватории «Ловозеро» (LOZ) за девять лет (2012–2020 гг.). Отличительной особенностью данных является их разнородность: в наборе содержатся как категориальные (часть которых являются бинарными, а часть – небинарными), так и количественные.

Рассмотрены такие способы отбора признаков, как анализ главных компонент, метод опорных векторов, рекурсивное исключение признаков, алгоритм Extra-Trees. Результаты исследования показали, что использование отобранных признаков на основе анализа в проекции главных компонент позволит преодолеть «проклятье размерности», устранить «шумы» и снизить переобучение модели.

Ключевые слова:

геомагнитные данные, полярные сияния, машинное обучение, обработка данных, значимые признаки, метод главных компонент, метод рекурсивного исключения признаков, деревья решений, факторные нагрузки, метод опорных векторов.

Сведения об авторах:

Гайнетдинова Алия Айдаровна – кандидат физико-математических наук, доцент кафедры высокопроизводительных вычислительных технологий и систем, e-mail: gajnetdinova.aa@ugatu.su, ORCID 0000-0002-4424-6104.

Воробьев Андрей Владимирович – доктор технических наук, доцент, профессор кафедры геоинформационных систем, 
e-mail: geomagnet@list.ru, ORCID 0000-0002-9680-5609.

Список литературы:

1. Пилипенко В.А. Воздействие космической погоды на наземные технологические системы // Солнечно-земная физика. – 2021. – Т. 7, № 3. – С. 73–110. DOI: 10.12737/szf73202106

2. Влияние космической погоды на надежность функционирования железнодорожного транспорта в арктической зоне России / И.Н. Розенберг, А.Д. Гвишиани, А.А. Соловьев, В.А. Воронин, В.А. Пилипенко // Железнодорожный транспорт. – 2021. – № 12. – С. 48–54.

3. Демьянов В.В., Ясюкевич Ю.В. Космическая погода: факторы риска для глобальных навигационных спутниковых систем // Солнечно-земная физика. – 2021. – Т. 7, № 2. – С. 30–52. DOI: 10.12737/szf72202104

4. Храмов А.Г. Методы и алгоритмы интеллектуального анализа данных. – Самара: Изд-во Самарского университета, 2019. – 176 с.

5. Zheng A., Casari A. Feature Engineering for Machine Learning: Principles and Techniques for Data Scientists. – O'Reilly Media, Inc., 2018. – 218 p.

6. Mitigating the multicollinearity problem and its machine learning approach: a review / J.Y.-L. Chan, S.M.H. Leow, K.T. Bea, W.K. Cheng, S.W. Phoong, Z.-W. Hong, Y.-L. Chen // Mathematics. – 2022. – Vol. 10, iss. 8. – No. 1283. DOI: 10.3390/math10081283

7. Archive of PGI Geophysical Data [Электронный ресурс] / Федеральное государственное бюджетное научное учреждение «Полярный геофизический институт». – URL: http://pgia.ru/lang/ru/archive_pgi (дата обращения: 08.07.2023).

8. Сервис SuperMAG [Электронный ресурс] / John Hopkins Applied Physics Laboratory. – URL: https://supermag.jhuapl.edu/mag (дата обращения: 08.07.2023).

9. Gjerloev J.W. The SuperMAG data processing technique // Journal of Geophysical Research: Space Physics. – 2012. – Vol. 117, iss. A9. – P. A09213. DOI: 10.1029/2012JA017683

10. Pearson K. On lines and planes of closest fit to systems of points in space // Philosophical Magazine. – 1901. – Vol. 2. – P. 559–572.

11. Прикладная статистика. Классификация и снижение размерности / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин. – М.: Финансы и статистика, 1989. – 607 с.

12. Nefedov A. Support Vector Machines: A Simple Tutorial [Электронный ресурс]. – 2016. – URL: https://svmtutorial.online/SVM_tutorial.pdf (дата обращения: 08.07.2023).

13. Gene Selection for Cancer Classification Using Support Vector Machines / I. Guyon,
J. Weston, S. Barnhill, V. Vapnik // Machine Learning. – 2002. – Vol. 46 (1). – P. 389–422. DOI: 10.1023/A:1012487302797

14. Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine Learning. – 2006. – Vol. 63. – P. 3–42. DOI: 10.1007/s10994-006-6226-1

15. Moffitt C. Guide to encoding categorical values in Python [Электронный ресурс] / Practical Business Python. – URL: https://pbpython.com/categorical-encoding.html (дата обращения: 08.07.2023).

16. Предварительная обработка данных [Электронный ресурс] scikit-learn developers. – URL: https://scikit-learn.ru/6-3-preprocessing-data/ (дата обращения: 08.07.2023).

17. Бахрушин В.Е. Методы оценивания характеристик нелинейных статистических связей // Системные технологии. – 2011. – № 2 (73). – С. 9–14.

18. Chicco D., Warrens M.J., Jurman G. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation // PeerJ Computer Science. – 2021. – Vol. 7. – P. e623. DOI: 10.7717/peerj-cs.623

19. Локальная диагностика наличия полярных сияний на основе интеллектуального анализа геомагнитных данных / А.В. Воробьев, А.А. Соловьев, В.А. Пилипенко, Г.Р. Воробьева, А.А. Гайнетдинова, А.Н. Лапин, В.Б. Белаховский, А.В. Ролдугин // Солнечно-земная физика. – 2023. – Т. 9, № 2. – С. 26–34. DOI: 10.12737/szf-92202303

20. Комбинированная схема отбора признаков для разработки банковских моделей / С.В. Афанасьев, Д.М. Котерева, А.А. Мироненков, А.А. Смирнова // Финансы: теория и практика. – 2023. – Т. 27, № 1. – С. 103–115. DOI: 10.26794/2587-5671-2023-27-1-103-115

Аннотация:

Для решений многокритериальных прикладных задач, связанных с построением рейтингов организаций, выбором эффективных объектов (альтернатив, вариантов решений), исходные данные которых представлены в разнотипных (количественных, порядковых) шкалах измерения, применение обобщенного критерия в виде аддитивной свертки частных критериев некорректно.

В связи с этим распространение получили методы сужения исходного множества объектов, а также методы построения результирующего ранжирования (медианы Кемена – Снелла). Однако, если исходные оценки объектов преобразовать в результирующую однородную шкалу, т.е. шкалу с одинаковым размахом критериев, то применение аддитивного механизма агрегирования в этом случае будет корректно.

В качестве такой результирующей шкалы может служить порядковая ранговая шкала. В работе обосновывается метод, при котором результаты преобразования количественных (балльных) оценок объектов в градации ранговой шкалы при решении многокритериальных задач будут инвариантны при любых количественных преобразованиях исходных шкал.

Доказывается сохранение упорядочений объектов по обобщенным оценкам в виде суммы рангов по равноважным критериям. При этом также сохраняются упорядочения объектов, базирующиеся на отношениях с k-м порядком строгого предпочтения. Приводятся иллюстративные примеры.

Ключевые слова:

многокритериальное ранжирование, исходные шкалы, результирующая каноническая шкала, сумма рангов, адекватность преобразований, многокритериальный выбор.

Сведения об авторах:

Корнеенко Виктор Павлович – кандидат технических наук, доцент по кафедре специальных дисциплин, старший научный сотрудник лаборатории систем поддержки принятия решений, e-mail: vkorn@ipu.ru, ORCID 0000-0002-3643-1609

Список литературы:

1. Литвак Б.Г. Экспертная информация: методы получения и анализа. – М.: Радио и связь, 2006. – 184 с.

2. Миркин Б.Г. Проблема группового выбора. – М.: Наука, 1974. – 256 с.

3. Новиков Д.А., Орлов А.И. Экспертные оценки – инструменты аналитика // Заводская лаборатория. – 2013. – Т. 79, № 4. – С. 3–4.

4. Захаров А.О. Сужение множества Парето на основе замкнутой информации об отношении предпочтения ЛПР // Вестник Санкт-петербургского университета. – 2009. – № 4. – С. 69–83.

 

5. Бугаев Ю.В., Никитин Б.Е., Диоп А. Cужение множества Парето на основе информации о предпочтениях ЛПР // Воронежский государственный университет инженерных технологий. – 2016. – № 2. – С. 78–84.

6. Ногин В.Д. Сужение множества Парето: аксиоматический подход. – М. ФИЗМАТЛИТ, 2016. – 249 с.

7. Корнеенко В.П. Методы многокритериального сужения и выбора объектов, базирующиеся на отношениях с k-м порядком строгого предпочтения // Информационные технологии. – 2023. – Т. 29, № 9. – С. 457–466.

8. Формализация метода ранжирования альтернатив для процесса группового принятия решений при анализе социальных сетей / А.А. Гайдамака, Н.В. Чухно, О.В. Чухно, К.Е. Самуйлов, С.Я. Шоргин // Информатика и ее применения. – 2019. – Т. 13, № 3. – С. 63–71.

9. Малтугуева Г.С., Юрин А.Ю. Алгоритм коллективного выбора на основе обобщенных ранжировок для поддержки принятия решений // Современные технологии. Системный анализ. Моделирование. – 2009. – № 3 (23). – С. 57–62.

10. Mitra R., Basak J. Methods of case adaptation: A survey // International Journal of Intelligent Systems. –2005. – Vol. 20, № 6. – P. 627–645.

11. Kemeny J.G., Snell J.L. Mathematical Models in the Social Sciences. – New York, University of Michigan, 1962. – 168 p.

12. Plaza E., Arcos J.L. Constructive Adaptation // LNCS. – 2002. – Vol. 2416. – P. 306–320.

13. A statistical comparative study of different similarity measures of consensus in group decision making / F. Chiclana, G.J. Tapia, M.J. Moral, E. Herrera-Viedma // Inform. Sciences. – 2013. – Vol. 221. – P. 110–123.

14. Юрин А.Ю. Методы группового выбора для адаптации решений, полученных в результате рассуждений на основе прецедентов // Искусственный интеллект и принятие решений. – 2013. – № 3. – C. 78–85.

15. Гилев Д.В., Логиновский О.В. Модель интегральной оценки эффективности управления медицинской организацией на основе математического подхода // Прикладная математика и вопросы управления. – 2022. – № 4. – С.108–122.

16. Рамеев О.А. Основы теории принятия решений в организационных системах управления. – М.: Горячая линия – Телеком, 2023. – 288 с.

17. Орлов А.И. Средние величины и законы больших чисел в пространстве произвольной природы // Научный журнал КубГАУ. – 2013. – № 89(05). – С. 1–31.

18. Pfanzsagl J. Theory of measurement. – Berlin, Heidelberg: Spriger-Verlag, 1971. – 235 p.

19. Kendall M.G. Rank correlation methods. – New York: Oxford University, 1990. – 260 p.

20. Multiple criteria decision analysis: state of the art surveys multiple criteria decision analysis: state of the art surveys / edited by Jose Figueira, Salvatore Greco, Matthias Ehrgott. Springer, 2005. – 1048 p.

21. Keeney R.L., Raiffa H. Decisions with Multiple Objectives: Preferences and Value Trade-Offs. – New York: Wiley, 1976. – 569 p.

22. Друзин С.В., Горевич Б.Н. Методика формирования облика радиолокационных станций перспективной системы вооружения войсковой ПВО // Вестник Концерна ВКО «Алмаз – Антей». – 2020. – № 2. – С. 6–30.

23. Горохов А.Х., Кашпур Н.Л. Основы радиолокации и элементы РЛС. – Самара: СГТУ, 2014. – 247 с.

Аннотация:

Особенность больших систем, в частности электроэнергетических, заключается в том, что на физическое состояние всей системы влияет большое число взаимодействующих элементов, случайным образом находящихся в различных состояниях. Актуальность работы обусловлена тем, что разработка математических моделей, учитывающих специфику функционирования электрических сетей, позволяет решать важные задачи интеллектуализации энергетики.

Цель исследования обусловлена стремлением показать преимущества, возникающие при использовании аппарата теории скрытых марковских моделей к полумарковским моделям интеллектуальных электрических систем. Для этого строится полумарковская модель участка распределительной электросети (интеллектуальной электрической сети). Используя теорию полумарковских процессов с общим фазовым пространством состояний, возможно определить временные характеристики надежности системы, получить более адекватную модель.

Однако территориальная разбросанность, труднодоступность некоторых участков электрических сетей и широкое внедрение средств автоматизации порождают новые проблемы. Для своевременного реагирования на различные факторы становятся необходимыми оценка и прогноз состояний системы (участков системы) в зависимости от сигналов, получаемых в процессе ее работы. Достичь этого возможно с помощью применения теории скрытых марковских моделей.

Определяются характеристики надежности, и строится укрупненная модель участка интеллектуальной распределительной электросети, которая позволяет перейти к конечному пространству состояний модели. Используя укрупненную модель, определяются параметры и разрабатывается скрытая марковская модель, для которой по заданному вектору сигналов находятся наиболее вероятные состояния, соответствующие ему, прогнозируются последующие состояния элементов моделируемой системы и сигналы.

В заключительной части статьи приводится пример нахождения характеристик надежности системы и решения ряда задач теории скрытых марковских моделей.

Ключевые слова:

интеллектуальная распределительная электросеть, полумарковская модель, скрытая марковская модель, характеристики надежности, оценка состояний, прогнозирование состояний.

Сведения об авторах:

Сидоров Станислав Михайлович – кандидат технических наук, доцент кафедры «Высшая математика», e-mail: xaevec@mail.ru, ORCID: 0000-0002-9785-9182.

Обжерин Юрий Евгеньевич – доктор технических наук, профессор, профессор кафедры «Высшая математика», e-mail: objsev@mail.ru, ORCID: 0000-0003-1180-1084.

Список литературы:

1. Liu Y. The Influence of Smart Grid on Electric Power Automation // Hassanien A., Shaalan K., Tolba M. (Eds.), Advances in Intelligent Systems and Computing 2019. – 2020. – Vol. 1058. – P. 1036-1043. – DOI: 10.1007/978-3-030-31129-2_97.

2. Restoration of Smart Grids: Current Status, Challenges, and Opportunities / D. Fan,
Y. Ren, Q. Feng, Y. Liu, Z. Wang, J. Lin // Renewable and Sustainable Energy Reviews. – 2021. – Vol. 143. – Art. 110909. DOI: 10.1016/j.rser.2021.110909

3. Integrated Energy Systems of Data Centers and Smart Grids: State-of-the-Art and Future Opportunities / C. Guo, F. Luo, Z. Cai, Z.Y. Dong // Applied Energy. – 2021. – Vol. 301. –
Art. 117474. DOI: 10.1016/j.apenergy.2021.117474

4. Qaisar S.M., Alyamani N. A Review of Charging Schemes and Machine Learning Techniques for Intelligent Management of Electric Vehicles in Smart Grid / (eds) A. Visvizi, O. Troisi // Managing Smart Cities. – 2022. – Vol 144. – P. 51–77. DOI: 10.1007/978-3-030-93585-6_4

5. Руденко Ю.Н., Ушаков И.А. Надежность систем энергетики. – 2-е изд., перераб. и доп. – Новосибирск: Наука. Сиб. отд-ние, 1989. – 328 с.

6. Sidorov S.M., Lugovkin A.S. Distribution network section reliability analysis based
on the semi-Markov model // IOP Conf. Series: Earth and Environmental Science. – 2022. –
Vol. 990. – Art. 012024. DOI: 10.1088/1755-1315/990/1/012024

7. Obzherin Y.E., Nikitin M.M., Sidorov S.M. Analysis of Reliability and Efficiency of Electric Power Systems on the Basis of Semi-Markov Models with Common Phase Space of States // Proceedings of 14th International Conference on Electromechanics and Robotics “Zavalishin's Readings”. Smart Innovation, Systems and Technologies / A. Ronzhin, V. Shishlakov (eds). – 2020. –
Vol. 154. – P. 631–641. DOI: 10.1007/978-981-13-9267-2_52

8. Obzherin Y.E., Boyko E.G. Semi-Markov Models: Control of Restorable Systems with Latent Failures. – London, Elsevier Academic Press, 2015. – 212 р.

9. Obzherin Yu.E., Sidorov S.M. Semi-Markov Model and Phase-Merging Scheme of a Multi-Component System with the Group Instantly Replenished Time Reserve // International Journal of Reliability, Quality and Safety Engineering. – 2019. – Vol. 26, no. 3. – Art. 1950014. DOI: 10.1142/S0218539319500141

10.  Obzherin Y.E., Nikitin M.M., Sidorov S.M. Hidden Markov Model Based on Signals from Blocks of Semi-Markov System’s Elements and Its Application for Dynamics Analysis Energy Systems // Proceedings of 15th International Conference on Electromechanics and Robotics "Zavalishin's Readings". Smart Innovation, Systems and Technologies / A. Ronzhin, V. Shishlakov (eds). – 2021. – Vol. 187. – P. 477–486. DOI: 10.1007/978-981-15-5580-0_39

11.  Rabiner L.R. A tutorial on hidden Markov models and selected applications in speech recognition // Proceedings of the IEEE. – 1989. – Vol. 77, no. 2. – P. 257–286. DOI: 10.1109/5.18626

12.  Kobayashi H., Mark B., Turin W. Probability, Random Processes, and Statistical Analysis: Applications to Communications, Signal Processing, Queueing Theory and Mathematical Finance. – Cambridge, Cambridge University Press, 2011. – 812 p.

13.  Ali S., Bouguila N. A Roadmap to Hidden Markov Models and a Review of Its Application in Occupancy Estimation // Hidden Markov Models and Applications / N. Bouguila, W. Fan, M. Amayri (eds). – Unsupervised and Semi-Supervised Learning. – 2012. – P. 1–31. DOI: 10.1007/ 978-3-030-99142-5_1.

14.  Obzherin Y.E., Sidorov S.M., Nikitin M.M. Hidden Markov Model of Information System with Component-Wise Storage Devices // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). – 2019. – Vol. 11965. – P. 354–364. DOI: 10.1007/978-3-030-36614-8_27

15.  Королюк В.С., Турбин А.Ф. Процессы марковского восстановления в задачах надежности систем. – Киев: Наук. думка, 1982. – 236 с.

16.  Korolyuk V.S., Korolyuk V.V. Stochastic Models of Systems. – Dordrecht, Springer Science+Business Media, 1999. – 185 p.

Аннотация:

Столкновение судов – одна из наиболее серьезных проблем на международном морском транспорте. Поэтому вопрос безопасности судовождения является широко обсуждаемой темой исследования в специализированной научной литературе. На протяжении последнего времени технология безэкипажного судовождения постепенно находит все более широкое применение в области морской робототехники. В связи с этим исследуется проблема безопасности судоходства при управлении движением безэкипажных судов. Объектом исследования является процесс предупреждения столкновений безэкипажных судов. Предмет исследования – алгоритмы работы системы автономного принятия решений и программное обеспечение по предотвращению столкновения судов при безэкипажном судовождении. Основной целью является повышение безопасности безэкипажного судовождения путем разработки новых алгоритмов для автономного предупреждения столкновений безэкипажных судов в режиме реального времени с учетом Международных правил предупреждения столкновений на море и рекомендаций Федерального агентства морского и речного транспорта (Росморречфлот). Рассматриваются фундаментальная концепция и набор ключевых задач автономной системы предупреждения столкновений безэкипажных судов, которые являются морскими транспортными средствами, способными воспринимать окружающую среду и работать без участия человека. В контексте исследования особое внимание уделяется вопросу разработки алгоритма программного обеспечения по определению наиболее опасного препятствия, находящегося в радиусе 12 миль от безэкипажного судна (требования Росморречфлота), на основе геометрии предотвращения столкновений судов, оценки риска столкновения и характеристик препятствий. Кроме того, разработанные алгоритмы могут предотвратить столкновение и решать проблемы предупреждения столкновений безэкипажных судов в реальном времени. Результаты моделирования также демонстрируют перспективность применения предложенных алгоритмов для повышения безопасности безэкипажного судовождения. Тем не менее исследование дает возможность разработать новую информационную систему принятия решений для автономного предотвращения столкновений судов. В настоящее время информационная система находится в разработке и будет предложена позже.

Ключевые слова:

безэкипажное судовождение, безэкипажное судно, алгоритм принятия решения, индекс риска столкновения, автономная система предупреждения столкновений, опасное препятствие, ситуация сближения, безопасность.

Сведения об авторах:

Баракат Лама Али – ассистент кафедры «Высшая и прикладная математика», e-mail: lama.barakat@mail.ru, ORCID: 0009-0007-2465-020X.

Квятковская Ирина Юрьевна – доктор технических наук, профессор, заведующий кафедрой «Высшая и прикладная математика», e-maili.kvyatkovskaya@astu.org, ORCID 0000-0001-7205-7231.

Список литературы:

1. Анализ и состояние аварийности. [Электронный ресурс] / Министерство транспорта Российской Федерации. – URL: https://rostransnadzor.gov.ru/rostransnadzor/podrazdeleniya/ sea/deyatelnost-podrazdeleniya/81 (дата обращения: 23.06.2023).
2. Annual overview of marine casualties and incidents 2021. [Электронный ресурс] / European Maritime Safety Agency. – URL: https://www.emsa.europa.eu/publications/download/ 6955/4266/23.html (дата обращения: 23.06.2023).
3. Galieriková A. The human factor and maritime safety/A. Galieriková// 2019 13th International Scientific Conference on Sustainable, Modern and Safe Transport (TRANSCOM 2019), High Tatras, Novy Smokovec – Grand Hotel Bellevue, Slovak Republic, May 29-31, 2019. – Transportation Research Procedia, 2019. – Vol. 40 – P. 1319–1326. DOI: 10.1016/j.trpro.2019.07.183
4. Developing a ship collision risk Index estimation model based on Dempster-Shafer theory/M. Abebe, Y. Noh, C. Seo, D. Kim, I. Lee // Applied Ocean Research. 2021. – Vol. 113. DOI: 10.1016/j.apor.2021.102735
5. Vessel Multi-Parametric Collision Avoidance Decision Model: Fuzzy Approach / T. Brcko, A. Androjna, J. Srše, R. Boć // Journal of Marine Science and Engineering. – 2021. – Vol. 9(1). – P. 49. DOI: 10.3390/jmse9010049.
6. Sun Z., Fan Y., Wang G. An Intelligent Algorithm for USVs Collision Avoidance Based on Deep Reinforcement Learning Approach with Navigation Characteristics // Journal of Marine Science and Engineering.2023. – Vol. 11(4). – P. 812. DOI: 10.3390/jmse11040812
7. A research on AIS-based embedded system for ship collision avoidance / D. Chen, C. Dai, X. Wan, J. Mou // 2015 The 3rd International Conference on Transportation Information and Safety (ICTIS): proceedings, Wuhan, China, 25-28 June 2015. – IEEE, 2015. – P. 512–517. DOI: 10.1109/ICTIS.2015.7232141
8. Estimation of vessel collision risk index based on support vector machine / L. Gang, Y. Wang, Y. Sun, L. Zhou, M. Zhang // Advances in Mechanical Engineering. – 2016. – Vol. 8(11). DOI: 10.1177/1687814016671250
9. Park J., Jeong J.S. An estimation of ship collision risk based on relevance vector machine // Journal of Marine Science and Engineering. – 2021. – Vol. 9(5). – P. 538. DOI: 10.3390/ jmse9050538.
10. О проведении эксперимента по опытной эксплуатации автономных судов под Государственным флагом Российской Федерации: Постановление Правительства Российской Федерации от 05.12.2020 № 2031 [Электронный ресурс] // Официальное опубликование правовых актов. – URL: http://publication.pravo.gov.ru/document/0001202012080021(дата обращения: 24.06.2023).
11. Оценка рисков эксплуатации безэкипажных судов / А.В. Титов, Л. Баракат, О.Ю. Ла­зовская, Г.А. Тактаров, О.П. Ковалев // Морские интеллектуальные технологии. – 2019. – Vol. 4, № 1(43). – C. 11–23.
12. Баракат Л. Предотвращение столкновений безэкипажных судов с использованием глубокого обучения с подкреплением // Пятая международная научно-практическая конференция. «Имитационное и комплексное моделирование морской техники и морских транспортных систем» (ИКМ МТМТС-2019), Санкт-Петербург (Россия), 10 июля 2019 года. – М.: Перо, 2019. – С. 102–105.
13. Баракат Л.А., Квятковская И.Ю. Интеллектуальное принятие решений по автономному предотвращению столкновений безэкипажных судов на основе алгоритма глубокой Q-сети // 64-я Международная научная конференция Астраханского государственного технического университета. Астрахань, 20–25 апреля 2020 года. – Астрахань: Изд-во АГТУ, 2020.
14. Collision Avoidance Method for Autonomous Ships Based on Modified Velocity Obstacle and Collision Risk Index / K. Zhang, L. Huang, Y. He, L. Zhang, W. Huang, C. Xie, G. Hao // Journal of Advanced Transportation. 2022. – Vol. 2022. – 25 p. DOI: 10.1155/2022/1534815
15. Collision avoidance algorithm based on COLREGs for unmanned surface vehicle / H.G. Kim, S.J. Yun, Y.H. Choi, J.K. Ryu, J.H. Suh // Journal of Marine Science and Engineering. – 2021. – Vol. 9(8). – P. 863. DOI: 10.3390/jmse9080863
16. Simulation on local obstacle avoidance algorithm for unmanned surface vehicle / C. Wang, Y.S. Mao, K.J. Du, B.Q. Hu, L.F. Song // International Journal of Simulation Modelling. – 2016. – Vol. 15(3). – P. 460–472. DOI: 10.2507/IJSIMM15(3)6.347
17. McMillan M. Data structures and algorithms using Visual Basic. NET. – New York: Cambridge University Press, 2005. – 401 p.

Аннотация:

Применение компьютерного зрения для определения реперных точек на спине человека является относительно новым подходом в медицине. Актуальность данного исследования обусловлена не только необходимостью разработки новых методов и подходов в определении нарушения осанки, но и растущим интересом к развитию и применению искусственного интеллекта в медицине. Настоящее исследование посвящено созданию и обучению нейронной сети для нахождения реперных точек спины при диагностике нарушений осанки. Использована совокупность готовых нейросетевых инструментов, находящихся в свободном доступе. Обучение проводилось на моделях фотографируемых добровольцев для определения реперных точек спины. Результаты исследования свидетельствуют, что был выполнен поиск альтернативных (реперных) точек, определяющих геометрию спины при помощи разработанных нейросетевых алгоритмов. Показано, что точность обнаружения точек обученной на 2400 группированных фотографий нейронной сетью достигает 85 %, что свидетельствует о хорошем определении границ объектов и их классификации. Применение компьютерного зрения для определения реперных точек для оценки нарушения осанки может принести значительные преимущества в медицинской практике. Этот инструмент может быть более точным и эффективным, чем традиционные методы диагностики, а также более доступным и удобным для пациента. Кроме того, использование нейронных сетей может ускорить процесс диагностики и снизить затраты на проведение исследования.

Ключевые слова:

нейронная сеть, нарушение осанки, реперные точки, обучение, компьютерное зрение, сколиоз, спина.

Сведения об авторах:

Шитоев Иван Дмитриевич – ассистент кафедры вычислительной математики, механики и биомеханики; генеральный директор, e-mail: ShitoevID@yord.tech, ORCID: 0000-0002-6391-9271.

Никитин Владислав Николаевич – кандидат физико-математических наук, доцент кафедры вычислительной математики, механики и биомеханики; технический директор, e-mail: nikitinvladislav86@gmail.com, ORCID: 0000-0001-9652-9088.

Иванова Мария Дмитриевна – аспирант кафедры вычислительной математики, механики и биомеханики, e-mail:, ivanova-mashaa@mail.ru, ORCID: 0000-0002-1471-8326.

Клоян Гаянэ Зурабиевна – биомеханик, e-mail: kloyang@mail.ru, ORCID: 0000-0001-6615-8159.

Муравьев Сергей Владимирович – кандидат медицинских наук, доцент кафедры физической и реабилитационной медицины, ведущий специалист международного отдела управления международного медицинского образования; научный руководитель,
e-mail: sergey89.m@mail.ru, ORCID: 0000-0002-3342-4710.

Список литературы:

1. Отдельные нейрофизиологические аспекты этиопатогенеза юношеского идиопатического сколиоза / С.В. Муравьев, В.Г. Черкасова, П.Н. Чайников, О.О Мехоношина, М.А. Ковалев, М.О. Гущин // Пермский медицинский журнал. – 2019. – Т. XXXV, № 4. – С. 39–45. DOI: 10.17816/pmj36439%45
2. Синельников Р.Д., Синельников Я.Р., Синельников А.Я. Атлас анатомии человека: в 4 т. – Т. 1. Учение о костях, соединениях костей и мышцах. – М.: Новая волна, 2021. – 488 с.
3. The effect of simulating leg length inequality on spinal posture and pelvic position: a dynamic rasterstereographic analysis / M. Betsch, M. Wild, B. Große, W. Rapp, T. Horstmann // European Spine Journal. – 2012. – Vol. 21, no 4. – P. 691–697. DOI: 10.1007/s00586-011-1912-5
4. Meena G., Mohbey K.K., Kumar S. Sentiment analysis on images using convolutional neural networks-based Inception-V3 transfer learning approach // International journal of information management data insights. – 2023. – No 3. – 13 p. DOI: 10.1016/j.jjimei.2023.100174
5. Rahouma K.H., Mahfouz A.Z. Design and implementation of a face recognition system based on API mobile vision and normalized features of still images // 18th International Learning & Technology Conference. – 2021. – P. 32–44. DOI: 10.1016/j.procs.2021.10.057
6. Akhgar B., Yates S. Strategic Intelligence Management. – Butterworth-Heinemann, 2013. – 340 p.
7. Geometric analysis and YOLO algorithm for automatic face detection system in a security setting / F.E. Ayo, A.M. Mustapha, J.A. Braimah, D.A. Aina // Journal of Physics: Conference Series. – 2022. – Vol. 2199. – No. 1. – 10 p. DOI:10.1088/1742-6596/2199/1/012010
8. Шнайдер Л.С., Сарнадский В.Н., Павлов В.В. Лучевой и оптический методы оценки позвоночно-тазовых взаимоотношений у пациентов с врожденным вывихом бедра // Хирургия позвоночника. – 2009. – Т. 16, № 1. – С. 63–69. DOI: 10.14531/ss2019.1.63-69
9. Факторы риска развития и прогрессирования дегенеративно-дистрофических заболеваний позвоночника по результатам скринингового обследования жителей Санкт-Петербурга / М.В. Авдеева, Ю.А. Кренева, В.П. Панов, В.Н. Филатов, А.В. Мельцер, Л.А. Карасаева // Анализ риска здоровью. – 2019. – № 1. – С. 125–134. DOI: 10.21668/health.risk/2019.1.14
10. Колесников В.Н., Шандыбина Н.Д., Эриум С.С. Экология человека: сбережение нации как стратегия успешного развития // Управленческое консультирование – 2018. – № 2 (110). – С. 73–79. DOI: 10.22394/1726-1139-2018-2-73-79
11. Цифровые модели и инструменты для диагностики трехмерной деформации позвоночника на основе данных стереофотограмметрии / И.Д. Шитоев, В.Ю. Столбов, С.В. Муравьев, В.Н. Никитин, Г.З. Клоян // Прикладная математика и вопросы управления. – 2022. – № 4. – С. 60–82. DOI: 10.15593/2499–9873/2022.4.04
12. Bhople A.R., Shrivastava A.M., Prakash S. Point cloud based deep convolutional neural network for 3D face recognition // Multimedia Tools and Applications. – 2020. – 21 p. DOI: 10.1007/s11042-020-09008-z
13. Paniego S., Sharma V., Cañas J.M. Open-source assessment of deep learning visual object detection // Sensors. – 2022. – Vol. 22, no 12. – 16 p. DOI:10.3390/s22124575
14. Sanchez S.A., Romero H.J., Morales A.D. A review: comparison of performance metrics of pretrained models for object detection using the TensorFlow framework // IOP Conf. Series: Materials Science and Engineering. – 2020. – 15 p. DOI: 10.1088/1757-899X/844/1/012024
15. A convolutional neural network based on TensorFlow for face recognition / L. Yuan, Z. Qu, Y. Zhao, H. Zhang, Q. Nian // IEEE 2nd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). – 2017. – P. 525–529. DOI: 10.1109/IAEAC.2017.8054070
16. Weed25: A deep learning dataset for weed identification / P. Wang, Y. Tang, F. Luo, L. Wang, Li. Chengsong, Q. Niu, H. Li // Frontiers in Plant Science. – 2022. – 14 p. DOI: 10.3389/ fpls.2022.1053329
17. Дудченко П.В. Метрики оценки классификаторов в задачах медицинской диагностики // Молодежь и современные информационные технологии: сб. тр. XVI Междунар. науч.-практ. конф. студентов, аспирантов и молодых ученых / Томский политехнический университет. – Томск, 2019. – C. 164–165

Аннотация:

Исследованы процедуры формирования оценочных средств при подготовке ведомственных специалистов, реализующих функции планирования, реализации и контроля организационных систем высшего и дополнительного образования, направленные на совершенствование механизмов формирования политики обеспечения информационной безопасности и оценки эффективности систем, средств и принятых мер для объектов информатизации различных уровней иерархии. Исследуемые проблемные вопросы связаны с развитием теоретических основ управления в организационных системах, методов и алгоритмов решения задач управления, в том числе информационного и программного обеспечения. Проанализированы результаты научных исследований, прикладных научных исследований и квалификационных работ по проблематике формирования учебно-методического обеспечения образовательных организаций и фондов оценочных средств в области информационной безопасности с учетом особенностей компетентностных моделей для подготовки ведомственных специалистов. Обобщены механизмы и детализированы процедуры формирования оценочных средств, ориентированные на перспективные технологии обеспечения соответствия знаний, мотивационных установок и умений – компетенциям специалиста в области информационной безопасности. Предложены концептуальные модели компетентностного пространства в парадигмах объектно-ориентированного программирования, новые математические модели для управления индивидуальными образовательными траекториями и проектирования компетентностно-ориентированных заданий для оценивания сформированности компетенций.

Ключевые слова:

компетенции, модели, информационная безопасность, фонды оценочных средств, управление в организационных системах.

Сведения об авторах:

Коцюба Игорь Юрьевич – кандидат технических наук, доцент, факультет инфокоммуникационных технологий, e-mail: gercog91@mail.ru, ORCID 0000-0002-1680-5597.

Шестаков Александр Олегович – доктор технических наук, профессор, старший научный сотрудник, ведущий научный сотрудник, Центр организации научно-исследовательской и редакционной деятельности, e-mail: alexandr.shestakov01@yandex.ru, ORCID 0000-0002-8462-6515.

Список литературы:

1. Федорова И.Р. Формирование общих компетенций студентов профессиональных образовательных организаций средствам и учебных задач: дис. ... канд. техн. наук / ФГБОУ ВО «Томский государственный педагогический университет» (ТГПУ). – Томск, 2018. – 235 с.

2. Богдан Е.С. Управление формированием компетенций выпускников вузов инженерных направлений подготовки: дис. ... канд. техн. наук / БУ ВО «Сургутский государственный университет». – Сургут, 2021. – 232 с.

3. Анурьева М.С. Сравнительный анализ подготовки специалистов в области информационной безопасности в России и за рубежом: дис. ... канд. пед. наук / ФГБОУ ВО «Тамбовский государственный университет имени Г.Р. Державина». – Тамбов, 2022. – 254 с.

4. Поляков В.П. Методическая система обучения информационной безопасности студентов вузов: дис. ... д-ра пед. наук / ГОУ ВПО «Волжский государственный инженерно-педагогический университет». – Н. Новгород, 2006. – 232 с.

5. Вовенда Ю.В. Особенности политики обеспечения информационной безопасности в исполнительных органах государственной власти (на примере Северо-Западного федерального округа): дис. ... канд. политич. Наук / ФГБОУ ВО «Санкт-Петербургский государственный университет». – Спб., 2019. – 362 с.

6. Абрамов М.В. Методы и алгоритмы анализа защищенности пользователей информационных систем от социоинженерных атак: оценка параметров моделей: дис. ... канд. техн. наук / ФГБОУ ВО «Санкт-Петербургский государственный университет» ФГБУН СПИИА РАН. – СПб., 2018. – 232 с.

7. Миняев А.А. Методика оценки эффективности системы защиты территориально-распределенных информационных систем: дис. ... канд. техн. наук / ФГБОУ ВО «Санкт-Пе­тербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича». – СПб., 2021. – 216 с.

8. Байкина Е.А. Проектирование компетентностно-ориентированной системы оценочных средств в основных профессиональных образовательных программах вуза: дис. ... канд. техн. наук / ФГБОУ ВО «Волгоградский государственный социально-педаго­гичес­кий университет». – Волгоград, 2022. – 278 с.

9. Шулаева О.В. Комплексный подход к проектированию компетентностно-ориентированных программ дополнительного профессионального образования // Экономика, статистика и информатика. – 2010. – № 6. – С. 24–28.

10. Привалов А.Н., Богатырева Ю.И. Иерархическая оценка компетентности в области информационной безопасности // Научные ведомости Белгородского государственного университета. – 2012. – № 13. – С. 194–199.

11. Бабкин А.Н., Перминов Г.В. Алгоритм оценки сформированности компетенций специалистов по защите информации // Известия Воронежского государственного педагогического университета. – 2020. – № 4 (289). – С. 93–100. DOI: 10.47438/2309-7078_2020_4_93

12. Комаров В.В. Исследование квалификационных дефицитов руководителей и специалистов, ответственных за вопросы градостроительства на муниципальном уровне
(на примере Самарского региона) // Экономика, предпринимательство и право. – 2022. –
Т. 12, № 2. – С. 897–918. DOI: 10.18334/epp.12.2.114174

13. Особенности оценки компетенций по информационной безопасности государственных и муниципальных служащих / Н.М. Сладкова, О.А. Ильченко, А.А. Степаненко, В.А. Шапошников // Вопросы государственного и муниципального управления. – 2021. – № 1. – С. 122–149.

14. Методические рекомендации по выявлению профессиональных дефицитов и адресного формирования направлений повышения квалификации / под общ. ред. В.И. Ребровой. – СПб.: ГАОУ ДПО «ЛОИРО», 2020. – 23 с.

15. Демьянова А.В., Рыжикова З.А. Кадры для цифровой экономики [Электронный ресурс]. – Электрон. текстовые дан. – М.: ИСИЭЗ НИУ ВШЭ, 2018. – URL: https://issek.hse.ru/ data/2018/06/07/1149784169/NTI_N_88_07062018.pdf, свободный (дата обращения: 09.07.2018).

16. Васильева Д.С., Шабурова А.В. Модель компетентности специалиста по информационной безопасности в современных условиях // ИНТЕРЭКСПО Гео-Сибирь. – 2020. –
Т. 6, № 1. – С. 53–59.

17. Власенко Е.Е. Индикаторы компетенций в области информационной безопасности и защиты информации как предиктор профессиональной успешности // Новая наука: новые перспективы: сборник научных трудов VII Международной научно-практической конференции (29 ноября 2019). – 2019.

18. Методический инструментарий по установлению квалификационных требований для замещения должностей государственной гражданской службы, версия 3.2 (утв. Министерством труда и социальной защиты РФ). – М., 2020.

19. Методика всесторонней оценки профессиональной служебной деятельности государственного гражданского служащего. – М., 2020.

20. О независимой оценке квалификации: Федеральный закон от 03.07.2016 № 238-ФЗ. – М., 2016.

21. Положение о разработке оценочных средств для проведения независимой оценки квалификации, введено приказом Минтруда России от 01.11.2016 №601н. – М., 2016.

22. Положение о разработке наименований квалификаций и требований к квалификации, на соответствие которым проводится независимая оценка квалификации, введено приказом Минтруда России от 12.12.2016 № 726н. – М., 2016.

Аннотация:

С ростом сложности оптимизационных задач в научной среде, все более популярными становятся эволюционные алгоритмы, вдохновленные теми или иными процессами в мире. Предложен новый эволюционный алгоритм взаимодействующих стран, в большей степени вдохновленный классическим генетическим алгоритмом, островным алгоритмом и миграционным алгоритмом. Проведено исследование работоспособности алгоритма на классических тестовых функциях. Результаты работы алгоритма демонстрируют его пригодность для решения оптимизационных задач и перспективность его дальнейшего изучения. В завершении рассматривается применение данного алгоритма для поиска фармакокинетических констант двухкамерной модели.

Ключевые слова:

оптимизация, эволюционные алгоритмы, генетический алгоритм, алгоритмы, вдохновленные природой, фармакокинетика, двухкамерная модель.

Сведения об авторах:

Крашенинников Роман Сергеевич – аспирант кафедры информационных компьютерных технологий, e-mail: krasheninnikov.r.s@muctr.ru, ORCID: 0009-0007-3434-031X.

Митричев Иван Игоревич – кандидат технических наук, доцент кафедры информационных компьютерных технологий,
e-mail: mitrichev.i.i@muctr.ru, ORCID: 0000-0001-5733-3226

Список литературы:

1. De Jong A.K. Evolutionary Computation: A Unified Approach. – Cambridge: MIT Press, London: Bradford Books, 2006. – 268 р.

2. Eiben A.E., Smith J.E. Introduction to evolutionary computing. – Berlin: Springer, 2006. – 244 p.

3. Al-Salami N.M. Evolutionary algorithm definition // American Journal of Engineering and Applied Sciences. – 2009. – Vol. 2, № 4. – P. 789–795.

4. Vikhar P.A. Evolutionary algorithms: A critical review and its future prospects // 2016 International conference on global trends in signal processing, information computing and communication (ICGTSPICC). – IEEE, 2016. – P. 261–265.

5. Изучение фармакокинетики [3Н]-циклопролилглицина в крови крыс / Г.И. Ковалев [и др.] // Фармакокинетика и фармакодинамика. – 2018. – №. 3. – С. 48–56.

Аннотация:

Представлена численная модель стационарного распределения состояний колл-центра для двухканальной RQ-системы с обменом заявками. Такие системы становятся все более актуальными в связи с параллельным применением для обслуживания звонков как диспетчеров-людей, так и голосовых интеллектуальных ботов. Расчеты основаны на решении системы стационарных уравнений Чепмена – Колмогорова для марковского процесса, описывающего RQ-систему. Предложенная в работе система уравнений отличается от предшествующих моделей наличием обмена заявками между каналами обслуживания в соответствии с предпочтениями клиентов. В ней учитывается возможность случайных повторных звонков в течение заданного среднего времени. Время обслуживания в каналах и время задержки заявок на орбитах имеют экспоненциальные законы распределения. Заявки на орбите обладают свойством нетерпеливости, т.е. покидают систему после некоторого случайного времени. Для нахождения стационарного распределения состояний на орбитах используется итерационный численный метод Гаусса – Зейделя, обеспечивающий быструю сходимость вычислений. Для каждого канала учитывается своя орбита заявок. Точность решения контролируется увеличением максимального числа заявок на орбите до стабилизации результата. Модель демонстрирует чувствительность пропускной способности системы к асимметрии предпочтений клиентов при смене канала. Численное моделирование проведено для колл-центра жилищной управляющей компании «СтройТехника» г. Воронежа. Потоки заявок и параметры повторных звонков рассчитывались на основе данных сайта компании и анализа социальных сетей. Учет повторных звонков снижает пропускную способность системы по сравнению с вариантом полностью нетерпеливых клиентов, которые не используют повторные звонки. Случай полностью нетерпеливых клиентов описывает предельное состояние системы обслуживания. В то же время перераспределение звонков в пользу более производительного канала улучшает общие характеристики системы. Полученные результаты показывают целесообразность применения высокопроизводительных многоканальных голосовых ботов при одновременном стимулировании смещения предпочтений клиентов в пользу интеллектуальных автоматов. 

Ключевые слова:

массовое обслуживание, повторные заявки, обмен заявками, голосовой бот, стационарное решение 

Сведения об авторах:

Баркалов Сергей Алексеевич – доктор технических наук, профессор, заведующий кафедрой управления, e-mail: e-mail: bsa610@yandex.ru, ORCID: 0000-0001-6183-3004.

Серебрякова Елена Анатольевна – кандидат экономических наук, доцент, доцент кафедры управления, e-mail: sea-parish@mail.ru, ORCID: 0000-0001-5129-246X.

Список литературы:

1. Dudin S.A., Dudina O.S., Kostyukova O.I. Analysis of a Queuing System with Possibility of Waiting Customers Jockeying between Two Groups of Servers // Mathematics. – 2023. – Vol. 11. – P. 1475(21). DOI: 10.3390/math11061475
2. Kim J., Kim B. A survey of retrial queueing systems // Annals of Operations Research, Springer. – 2016. – Vol. 247(1). – P. 3–36.
3. Granered E. Global Call Centers: Achieving Outstanding Customer Service Across Cultures and Time Zones. – Boston: Intercutural Press, 2004. – 206 p.
4. Voice-based AI in call center customer service: A natural field experiment / L. Wang, N. Huang, Y. Hong, L. Liu, X. Guo, G. Chen // Production and Operations Management. – 2023. – P. 1–17.
5. Fedorova E., Nazarov A., Moiseev A. Asymptotic Analysis Methods for Multi-Server Retrial Queueing Systems / Joshua V., Varadhan S., Vishnevsky V. (eds) // Applied Probability and Stochastic Processes. – Singapore: Infosys Science Foundation Series, Springer. – 2020. – P. 159–177. DOI: 10.1007/978-981-15-5951-8_11
6. Queuing System with Two Types of Customers and Dynamic Change of a Priority / V. Klimenok, A. Dudin, O. Dudina, I. Kochetkova // Mathematics. – 2020. – Vol. 8. – P. 824(25). DOI: 10.3390/math8050824
7. Numerical Analysis of Non-Reliable Retrial Queueing Systems with Collision and Blocking of Customers / A. Kuki, J. Sztrik, T. Bérczes [et al.] // J. Math. Sci. – 2020. – Vol. 248. – P. 1–13. DOI: 10.1007/S10958-020-04850-W
8. Назаров А.А., Пауль С.В., Лизюра О.Д. Асимптотический анализ RQ-системы MMPP/M/1 с разнотипными вызываемыми заявками // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. – 2021. – Т. 21, вып. 1. – С. 111–124. DOI: 10.18500/1816-9791-2021-21-1-111-124
9. Strategic Analysis of Retrial Queues with Setup Times, Breakdown and Repairs / Ruiling Tian, Xinyu Wu, Liuqing He, Yunna Han // Discrete Dynamics in Nature and Society. – 2023. – Vol. 2023. – Article ID 4930414. – 19 p. DOI: 10.1155/2023/4930414
10. Artalejo J.R., Gómez-Corral A. Retrial Queueing Systems: A Computational Approach. – Berlin: Germany, Springer, 2008. – 318 p.
11. Степанов С.Н. Основы телетрафика мультисервисных сетей. – М.: Эко-Трендз, 2010. – 392 с.
12. Гарайшина И.Р., Моисеева С.П., Назаров А.А. Методы исследования коррелированных потоков и специальных систем массового обслуживания. – Томск: Изд-во НТЛ, 2010. – 204 с.
13. Вишневский В.М., Дудин А.Н., Клименок В.И. Стохастические системы с коррелированными потоками. Теория и применение в телекоммуникационных сетях. – М.: Техносфера. – 2018. – 562 с.
14. Chirkova J., Mazalov V., Morozov E. Equilibrium in the Queueing System with Retrials // Mathematics. – 2022. – Vol. 10. – P. 428(15). DOI: 10.3390/math10030428
15.  Данилюк Е.Ю., Федорова Е.А., Моисеева С.П. Асимптотический анализ RQ-системы M/M/1 с конфликтами и нетерпеливыми заявками // Автомат. и телемех. – 2018. – № 12. – P. 44–56.
16. Kejia Hu, Gad Allon, Achal Bassamboo. Understanding Customer Retrials in Call Centers: Preferences for Service Quality and Service Speed // Manufacturing & Service Operations Management. – 2021. – Vol. 24(2). – P. 1002–1020. DOI: 10.1287/MSOM.2021.0976

Аннотация:

Бюджет региона является ключевым звеном региональной финансовой системы. Согласно бюджетному законодательству, формирование бюджета субъекта Российской Федерации осуществляется органами государственной власти субъекта Российской Федерации в соответствии с требованиями, установленными Бюджетным кодексом Российской Федерации, а также принятыми в соответствии с ним законами субъекта Российской Федерации и другими нормативными документами. Процедура формирования регионального бюджета достаточно хорошо регламентирована, но слабо формализована. Необходимо отметить, что существенными различиями обладают тактика бюджетного планирования и его стратегия, поскольку долгосрочные цели ставятся на основе разработки стратегических планов.

Целью данного исследования является реализация подхода к формированию регионального бюджета согласно оптимальной структуре. Особенность концепции заключается в разработке вектора цели и позиционировании бюджетного планирования как байесовского процесса. Критерием оптимальности выступает расположение многомерной точки, выражающей состав бюджета, на прямой, отражающей вектор цели. Такой подход применительно к процедуре формирования регионального бюджета ранее не рассматривался.

Решение данной задачи предполагает формирование вектора цели как доходной, так и расходной его частей. В качестве методического инструментария в работе выступают классические методы аналитической геометрии и алгоритм формирования регионального бюджета. Для повышения адекватности результатов при моделировании регионального бюджета целесообразно дополнить условием принадлежности случайного процесса к байесовскому типу, тогда, кроме полученных значений, еще учитывается доля статьи в региональном бюджете. Байесовский процесс учитывает условные вероятности. В данной работе в качестве условных вероятностей выступает относительная мера достижения каждой статьей бюджета целевого состояния в базовом периоде.

На иллюстративном примере показано применение предлагаемого методологического подхода для формирования оптимального регионального бюджета в рамках доходной и расходной частей по статьям, утвержденным российским законодательством. Построение и анализ регионального бюджета позволяют по-новому подойти к решению такой задачи, а самое главное – сформировать оптимальный бюджет при экономии интеллектуальных и временных затрат участников бюджетного процесса.

Результаты математического моделирования регионального бюджета представлены в виде алгоритма, что дает возможность закрепления соответствующих процедур расчета доходной и расходной частей бюджета в нормативных документах (на федеральном и/или региональном уровне) с целью их дальнейшего использования в бюджетном процессе.

Ключевые слова:

региональный бюджет, математическая модель, вектор цели, тактика и стратегия бюджетного планирования, байесовский процесс, структура бюджета, базовое значение статьи бюджета, целевое значение статьи бюджета, алгоритм формирования регионального бюджета, доходы и расходы регионального бюджета.

Сведения об авторах:

Шаланов Николай Васильевич – доктор экономических наук, профессор, профессор кафедры статистики и математики e-mail: ec_progn@sibupk.nsk.su, ORCID: 0000-0002-1729-9075.

Злобина Светлана Леонидовна – кандидат физико-математических наук, доцент кафедры статистики и математики, e-mail: ec_progn@sibupk.nsk.su, ORCID: 0009-0006-4963-2692.

Шаланова Оксана Николаевна – кандидат экономических наук, доцент, доцент кафедры статистики и математики, e-mail: ec_progn@sibupk.nsk.su, ORCID: 0009-0001-1548-8702.

Пешкова Мария Николаевна – кандидат экономических наук, доцент, доцент кафедры статистики и математики, e-mail: ec_progn@sibupk.nsk.su, ORCID: 0009-0002-8004-4312.

Яковлева Алла Анатольевна – старший преподаватель кафедры статистики и математики, e-mail: ec_progn@sibupk.nsk.su, ORCID: 0009-0001-7506-9825.

Список литературы:

1. Бюджетный кодекс Российской Федерации [Электронный ресурс]. – URL: https://www. consultant.ru/document/cons_doc_LAW_19702/ (дата обращения: 19.04.2023).

2. Федеральный закон «Об общих принципах организации публичной власти в субъектах Российской Федерации» от 21.12.2021 № 414-ФЗ [Электронный ресурс]. – URL: https://www.consultant.ru/document/cons_doc_LAW_404070/ (дата обращения: 19.04.2023).

3. Федеральный закон «О стратегическом планировании в Российской Федерации» от 28.06.2014 № 172-ФЗ [Электронный ресурс]. – URL: https://www.consultant.ru/docu­ment/cons_doc_LAW_164841/ (дата обращения: 19.04.2023).

4. Методические рекомендации органам государственной власти субъектов Российской Федерации по долгосрочному бюджетному планированию [Электронный ресурс] / Министерство финансов Российской Федерации. – URL: https://minfin.gov.ru/com­mon/upload/library/2015/12/main/NIFI_metod.rekomendatsii_subektam_bud_planirovanie (дата обращения: 19.04.2023).

5. Анализ действующей практики формирования бюджетных прогнозов субъектов Российской Федерации [Электронный ресурс] / Министерство финансов Российской Федерации. – URL: https://minfin.gov.ru/common/upload/library/2020/12/main/Obzor_itogova­ya_versiya.docx (дата обращения: 19.04.2023).

6. Анализ тенденций в бюджетно-налоговой сфере России [Электронный ресурс] / Научно-исследовательское объединение РЭУ имени Г.В. Плеханова. – URL: www.rea.ru/ Documents/Бюджет_итог_2020_2.pdf (дата обращения: 19.04.2023).

7. Эрназаров К.Ю. Возникновение бюджетирования, ориентированного на результат, и его научно-теоретические основы // Актуальные проблемы науки и техники: сборник трудов по материалам X Международного конкурса научно-исследовательских работ, Уфа, 21 ноября 2022 года. – Уфа: Вестник науки, 2022. – С. 111–120.

8. Управление и бюджетирование, ориентированные на результат: препринт WP8/2021/04 / Клименко А.В.; Нац. исслед. ун-т «Высшая школа экономики». – Электрон. текст. дан. (500 Кб). – М.: Изд. дом Высшей школы экономики, 2021. – (Серия WP8 «Государственное и муниципальное управление»). – 48 с.

9. Мастеров А.И. Программно-целевое бюджетирование как инструмент стратегического планирования // Экономика. Налоги. Право. – 2015. – № 3. – С. 64–70.

10. Коврижных Ю.В. Зарубежный опыт применения программно-целевого подхода в государственном управлении // Наукосфера. – 2022. – № 3-1. – С. 130–133.

11. Запорожан А.Я. Бюджетирование, ориентированное на результат: итоги реализации // Экономика и управление народным хозяйством (Санкт-Петербург). – 2020. –
№ 13(15). – С. 44–50.

12. Сапожников А.А. Муниципальное целевое программное бюджетирование: решения // Муниципальная академия. – 2016. – № 1. – С. 64–70.

13. Барбашова Н.Е. Подходы к построению и использованию модели долгосрочного бюджетного прогноза на региональном уровне // Финансовый журнал. – 2022. – Т. 14, № 2. – С. 8–25.

14. Экономико-математическая модель финансового обеспечения стратегий регионального развития / Н.И. Климова, Л.Я. Бухарбаева, М.В. Франц, М.В. Шмакова // Фундаментальные исследования. – 2015. – № 10-2. – С. 378–383.

15. Шаланов Н.В., Капелюк З.А. Методологические аспекты когнитивного подхода цифровой экономики торгового предприятия : монография. – Новосибирск: Изд-во НГТУ, 2022. – 270 с.

16. Яковлев В.И., Пенский О.Г. Рейтинг успеваемости студентов как способ улучшения качества обучения в высших учебных заведениях // Университетское управление: практика и анализ. – 2010. – № 1 (65). – С. 78–81.

17. Шаланов Н.В. Актуальные проблемы цифровой экономики: монография. – Новосибирск: Изд-во НГТУ, 2022. – 996 с.

18. Моррис У.Т. Наука об управлении: байесовский подход: перевод с английского – М.: Мир, 1971. – 304 с.

19. Гмурман В.Е. Теория вероятностей и математическая статистика: учеб. пособие для вузов. – М.: Высшая школа, 1972. – 368 с.

20. Айвазян С. А. Байесовский подход в эконометрическом анализе // Прикладная эконометрика. – 2008. – № 1. – С. 93–130.

21. Ашихина Д.С. Роль Госплана СССР в подготовке планов народного хозяйства // Россия и мир: история и современность: тезисы Х Всероссийской (с международным участием) конференции студентов и молодых ученых, Сургут, 22 апреля 2022 года. – Сургут: РИО БУ «Сургутский государственный педагогический университет», 2022. – С. 34–35.