Методы, модели и алгоритмы интеллектуального анализа временных рядов на основе интеграции параллельных вычислений и нейросетевых технологий

Целью проекта являются разработка и исследование новых моделей, методов и алгоритмов, обеспечивающих эффективный интеллектуальный анализ данных временных рядов в режиме реального времени на основе совместного применения нейросетевых и параллельных вычислительных технологий. Актуальность решения указанной научной проблемы обусловлена необходимостью теоретических методов и практических разработок, обеспечивающих эффективный интеллектуальный анализ данных временных рядов, которые в настоящее время возникают в широком спектре предметных областей: предиктивное техобслуживание оборудования в приложениях цифровой индустрии, интеллектуальное управление зданиями в приложениях Интернета вещей, мониторинг состояния человека и упреждающая диагностика заболеваний в приложениях персональной медицины и др. В настоящее время технологии нейронных сетей оказывают огромное влияние на сферу информационных технологий и применяются для решения широкого спектра задач, в т.ч. в приложениях, связанных с анализом и прогнозом временных рядов в режиме реального времени. Нейросети потенциально способны обеспечить высокое качество анализа и прогноза временных рядов и приемлемую для реального времени скорость работы. Однако для обучения нейросетей необходим большой объем предварительно очищенных и размеченных данных. В то же время очистка и разметка данных, выполняемые в ручном режиме экспертом в данной предметной области, порождает существенные накладные расходы. Научная новизна предлагаемого исследования заключается в следующем. Решение задач анализа и прогнозирования временных рядов в режиме реального времени выполняется с помощью нейросетевых моделей, для которых разрабатываются параллельные алгоритмы интеллектуального анализа временных рядов для современных многоядерных процессоров и графических ускорителей. Указанные алгоритмы применимы к временным рядам из любой предметной области без необходимости использования знаний и/или обучающих данных из этой области. Данные параллельные алгоритмы для массово распространенных в настоящее время указанных платформ позволят выполнять разметку данных обучающей выборки для нейросети в автоматизированном режиме и существенно сократить затраты на разметку данных (по сравнению с разметкой, выполняемую экспертом вручную). Кроме того, указанные выше нейросетевые модели и параллельные алгоритмы интегрируются в СУБД с открытым кодом. В настоящее время СУБД являются стандартным средством реализации хранилищ данных, которые обеспечивают безопасность, целостность данных, язык запросов и манипулирования данными и др. Однако СУБД штатно не обеспечивают интеллектуальный анализ хранимых данных. Внедрение указанных механизмов в СУБД позволит инкапсулировать стадии сбора и анализа данных в рамках одной среды и избежать существенных накладных расходов по экспорту данных во внешнюю аналитическую систему и импорту результатов анализа в хранилище данных.