МЕТОДЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ ОБРАБОТКИ РАЗНОСТРУКТУРИРОВАННЫХ И ПОЛИФОРМАТНЫХ ДАННЫХ С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ГЛУБОКОГО ОБУЧЕНИЯ

Целью исследования является разработка методов анализа полиформатных и разноструктурированных данных на основе применения глубоких искусственных нейронных сетей в структуре алгоритмического обеспечения систем поддержки принятия решения по управлению сложными объектами различной природы. Для достижения поставленной цели в ходе реализации проекта были решены следующие научно-практические задачи: 1. Проведение системного анализа задачи определения прагматической ценности информации о сложных технических и социально-экономических объектах, поступающей в систему поддержки принятия решений (СППР), которую можно характеризовать как «большие данные» (Big Data). В том числе, с учетом междисциплинарного характера этой задачи, определяемого разнообразием предметных областей, в которых генерируются Big Data. 2. Исследование эффективности различных методов интеллектуального анализа (искусственных нейронных сетей, нечеткой логики и других) при обработке разноструктурированных и полиформатных данных и извлечения из них прагматической информации при мониторинге поведения сложных технических и социально-экономических объектов, в том числе на основе применения методов машинного обучения при работе с Big Data. 3. Разработка метода получения биективных отображений данных разных форматов с целью их использования в СППР, алгоритмы которых применяют различные формы представления данных (изображения, аудиосигналы, текст и другие). 4. Разработка критериев и системы оценок имеющейся информации о предметной области для осуществления обоснованного выбора модели интеллектуальной обработки данных, позволяющей наиболее эффективно реализовывать требуемые целевые параметры этой обработки. 5. Исследование возможностей совместного применения в методах поддержки принятия решений глубоких нейронных сетей и деревьев решений для распознавания иерархических структур полиформатных и разноструктурированных данных. 6. Разработка метода реализации механизма внимания (attention mechanism) в системах обработки данных на основе ансамблей глубоких нейронных сетей различной архитектуры при решении задачи оценки и прогнозирования состояния сложных технических и социально-экономических объектов. 7. Исследование применимости «калейдоскопного» сегментирования данных (перебор решений и выбор наилучшего по заданному критерию, при случайном формировании границ сегментов данных) для решения задачи выборки признаковых описаний, при формировании обучающих наборов данных для нейронных сетей глубокого обучения. 8. Исследование влияния динамических характеристик объекта на допустимую величину прореживания потока исходных данных, представленных в различных форматах и структурах, для анализа в СППР. 9. Разработка метода выявления глубинных закономерностей в полиформатных и разноструктурированных данных с учетом временного (ретроспективного) и пространственного взаиморасположения фрагментов неоднородности на сигнатурах данных. 10. Разработка программных модулей, реализующих предложенные методы поддержки принятия решений и способы обработки данных при оценке и прогнозировании состояния технических и социально-экономических объектов. 11. Практическое применение разработанных методов поддержки принятия решений для прогнозирования пассажиропотока пригородного направления регионального железнодорожного вокзала и в ООО «НИИМАШ».. По результатам исследования членами научного коллектива: - подготовлена 1 диссертация на соискание ученой степени кандидата наук; - подготовлено и опубликовано статей в изданиях, индексируемых в базе данных Scopus/Web of Science – 6, статей и докладов в изданиях, индексируемых в РИНЦ – 17 (в том числе, из перечня ВАК – 4); - получено охранных документов на результаты интеллектуальной деятельности – 1.