ISSN: 0137-0782
Поступила: 09.04.2025
Принята к публикации: 08.05.2025
Ключевые слова: прогнозирование временных рядов, векторная авторегрессия (VAR), взвешенные квантили, адаптивный метод параметров, качество канала передачи данных
DOI: 10.55959/MSU/0137–0782–15–2025–49–4–17–25
Фэнжуй Го, Королев В.Ю., Смелянский Р.Л. О прогнозировании качества наложенного канала // Вестник Московского университета. Серия 15. Вычислительная математика и кибернетика. 2025. № 4. С. 17-25 https://doi.org/10.55959/MSU/0137–0782–15–2025–49–4–17–25.
В работе описана модификация метода векторной авторегрессии (VAR) для прогнозирования показателей качества наложенного канала. Модификация заключается в ведении весовых коэффициентов для квантилей временного ряда. Рассмотрено два способа расчета весовых коэффициентов — экспоненциальный (EVAR) и линейный (LVAR). Эксперименты показали, что такая модификация позволяет повысить точность прогноза на 2.6–25.2% по сравнению с классическими методами AR и VAR, но создают более высокую вычислительную нагрузку.
С м е л я н с к и й Р. Л. Эволюция вычислительной инфраструктуры // Вестн. Моск. ун-та. Сер. 15. Вычисл. матем. и киберн. 2024. № 4. С. 190–233.
В о р о н и н Е. А., К о з л о в С. В. Методы машинного обучения при оценке показателей экономической безопасности в жизненном цикле бортовых комплексов средств автоматизации на заданной платформе // REDS. 2020. С. 48.
M a r p l e L. A new autoregressive spectrum analysis algorithm // IEEE Trans. Acoust. Speech Signal Process. 2003. N 4. P. 441–454.
S c h i r r u A., S u s t o G.A., P a m p u r i S., M c L o o n e S. Learning from time series: Supervised aggregative feature extraction // 2012 IEEE 51st Conf. Decis. Control (CDC). IEEE, 2012. P. 5254–5259.
Ya n g Z., A b b a s i I. A., M u s t a f a E. E., A l i S., Z h a n g M. An anomaly detection algorithm selection service for IoT stream data based on tsfresh tool and genetic algorithm // Security Commun. Netw. 2021. 1. P. 6677027.
D a i T., Wu B., L i u P., L i N., B a o J., J i a n g Y., X i a S.T. Periodicity decoupling framework for long-term series forecasting // The Twelfth International Conference on Learning Representations. 2024. P. 2318–2127.
C h u L., X i a o B., Yu a n Q. UnetTSF: A Better Performance Linear Complexity Time Series Prediction Model // arXiv:2401.03001. 2024.
Z e n g C., T i a n Y., Z h e n g G., G a o Y. How Much Can Time-related Features Enhance Time Series Forecasting? // arXiv:2412.01557. 2024.
К о р о л е в В. Ю., К о р ч а г и н А. Ю., М а ш е ч к и н И. В., П е т р о в с к и й М. И., Ц а р ё в Д. В. Применение временных рядов в задаче фоновой идентификации пользователей на основе анализа их работы с текстовыми данными // Труды ИСП РАН. 2015. № 1. С. 151–172.
Г о Ф э н ж у й, С м е л я н с к и й Р.Л., К о р о л е в В.Ю. Исследование эффективности применения метода векторной авторегрессии для прогнозирования качества канала передачи данных // Программные системы и инструменты. № 24. М.: Изд. отдел ф-та ВМК МГУ; МАКС Пресс, 2024. С. 36–54.
Р я з а н о в А.М., В о л к а н о в Д.Ю., Ц ы г а н о в Н.И. Методы сбора и хранения сетевого трафика для решения задачи прогнозирования качества гетерогенных каналов в сетях передачи данных // Программные системы и инструменты. № 23. М.: Изд. отдел ф-та ВМК МГУ; МАКС Пресс, 2023. С. 83–91.
