38-44

УДК 681.516
DOI: https://doi.org/10.25686/2306-2819.2021.2.38

ПРОГНОЗИРОВАНИЕ ЭКСПЛУАТАЦИОННЫХ ПОКАЗАТЕЛЕЙ ТЕЛЕКОММУНИКАЦИОННЫХ СИСТЕМ

А. А. Шерстнева
Новосибирский государственный университет экономики и менеджмента,
Российская Федерация, 630099, Новосибирск, Каменская, 56
E-mail: shers7neva@gmail.com

АННОТАЦИЯ

Разработаны математические модели функционирования телекоммуникационного объекта. Параметрами моделей являются эксплуатационные показатели и показатели надёжности системы контроля и диагностики. Приведены аналитические выражения для их вычисления. На основе методов теории фильтрации и модели авторегрессионного процесса предложен вариант решения задач прогнозирования статистических данных и вероятностей отдельных событий.

КЛЮЧЕВЫЕ СЛОВА

регрессионный анализ; эксплуатационный показатель; прогнозирование; тенденция изменения данных; интеллектуальный анализ данных; машинное обучение.

ПОЛНЫЙ ТЕКСТ (pdf)

СПИСОК ЛИТЕРАТУРЫ

1.     Шерстнева А.А. Прогнозирование надежности инфокоммуникационных систем на
основе моделей авторегрессии // Вестник
Новгородского государственного университета
им. Ярослава Мудрого. 2021. № 2 (123).
С. 82-86.
2.     Шерстнева О.Г., Шерстнева А.А. Программа имитации функционирования телекоммуникационной сети с учетом реальных показателей надежности. Свидетельство о регистрации электронного ресурса. №17760. 29.12.2011 г.
3.     Шерстнева А.А. Применение регрессионного анализа в задачах теории телетрафика // T-Comm: Телекоммуникации и транспорт. 2020. Т. 14, № 12. С. 18-25.
4.     Шерстнева А.А. Анализ и прогнозирование параметров авторегрессионного процесса р-го порядка // Вестник ИжГТУ имени М.Т. Калашникова. 2020. Т. 23, № 4. С. 77-84.
5.     Forecasting with temporal hierarchies / G. Athanasopoulos, R.J. Hyndman, N. Kourentzes et al. // European Journal of Operational Research. 2017. No 262(1). Pp. 60–74.
6.     Bergmeir C., Hyndman R.J., Benítez J.M. Bagging exponential smoothing methods using STL decomposition and Box-Cox transformation // International Journal of Forecasting. 2016. No 32 (2). Pp. 303–312.
7.     Bergmeir C., Hyndman R.J., Koo B. A note on the validity of cross-validation for evaluating autoregressive time series prediction // Computational Statistics and Data Analysis. 2018. No 120. Pp. 70–83.
8.     Wickramasuriya S.L., Athanasopoulos G. Optimal forecast reconciliation for hierarchical and grouped time series through trace minimization // J American Statistical Association. 2019. No 114 (526). Pp. 804–819.
9.     Racine J. S. Reproducible econometrics using R. NY: Oxford University Press, 2019. 293 p.
10. Farebrother R. W. Linear least squares computations. CRC Press, USA, 2018. 320 p.
11. Özbay N, Kaçıranlar S. Estimation in a Linear Regression Model with Stochastic Linear Restrictions: a New Two-parameter-weighted Mixed Estimator. Taylor & Francis, 2018. 322 p.
Therrien C, Tummala M. Probability and Random Processes for Electrical and Computer Engineers. CRC Press, USA, 2018. 431 p.

Для цитирования: Шерстнева А. А. Прогнозирование эксплуатационных показателей телекоммуникационных систем // Вестник Поволжского государственного технологического университета.
Сер.: Радиотехнические и инфокоммуникационные системы. 2021. № 2 (50). С. 38-44. DOI: https://doi.org/10.25686/2306-2819.2021.2.38