МЕТОД СЕГМЕНТОВАНОГО ПРОГНОЗУВАННЯ ВИРОБНИЧИХ ПОКАЗНИКІВ ПІДПРИЄМСТВ ІЗ ВИКОРИСТАННЯМ ГІБРИДНОЇ МОДЕЛІ МАШИННОГО НАВЧАННЯ

Read full text Summarise with VIRAT
Authors: Сергій Анатолійович Головня
Cited by: 0
References: 4

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

МЕТОД СЕГМЕНТОВАНОГО ПРОГНОЗУВАННЯ ВИРОБНИЧИХ ПОКАЗНИКІВ ПІДПРИЄМСТВ ІЗ ВИКОРИСТАННЯМ ГІБРИДНОЇ МОДЕЛІ МАШИННОГО НАВЧАННЯ Анотація.У сучасних умовах українські виробничі підприємства, особливо в оборонному секторі, працюють у режимі постійного зовнішнього стресу.Порушення логістики, аварійні відключення електроенергії та повітряні тривоги створюють ситуацію, коли дані про виробництво стають вкрай неоднорідними.У таких умовах класичні методи прогнозування, що базуються на лінійних регресійних моделях або методах часових рядів, перестають працювати ефективно, оскільки вони намагаються підігнати всі дані під одну "середню" лінію, ігноруючи специфіку кризових періодів.У статті розглядається актуальна науково-практична проблема підвищення точності автоматизованого прогнозування обсягів виробництва за рахунок застосування гібридних методів інтелектуального аналізу даних.В основу дослідження покладено гіпотезу про те, що виробничі дані мають приховану структуру (кластери), і для кожного такого стану системи слід застосовувати окрему модель прогнозування.Для перевірки гіпотези розроблено та програмно реалізовано методику, яка поєднує алгоритми навчання без учителя (на етапі кластеризації) та навчання з учителем (на етапі прогнозування).На першому етапі застосовано алгоритм K-means, який дозволив автоматично розділити місяці роботи підприємства на три групи: стабільний режим, режим з обмеженнями (блекаути) та режим інтенсивного навантаження.В якості вхідних ознак використано специфічні фактори: кількість годин тривог, доступність персоналу та рівень дефектності.На другому етапі для кожного виділеного кластера було навчено власну модель Random Forest.Це дозволило алгоритму "вивчити" унікальні правила поведінки виробництва в різних умовах, замість того щоб шукати компроміс між ними.Експериментальну перевірку виконано на базі даних, яка була створена з реальних даних відкритих джерел підприємства з виробництва БПЛА.Результати показали, що такий гібридний підхід (Clustered Random Forest) дозволяє зменшити середньоквадратичну помилку (RMSE) та дає значно точніші прогнози в періоди пікових навантажень, де звичайна модель № 2(56) 2026

Fields of Study & Subjects

Forecasting Techniques and Applications Impact of AI and Big Data on Business and Society Time Series Analysis and Forecasting

Publication details

Journal / source
Наука і техніка сьогодні
Issue
2(56)
Publication date
21 March 2026
Language
UK