Показать сокращенную информацию
dc.contributor.author | Цымблер, М.Л. | |
dc.contributor.author | Полонский, В.А. | |
dc.contributor.author | Юртин, А.А. | |
dc.contributor.author | Zymbler, M.L. | |
dc.contributor.author | Polonsky, V.A. | |
dc.contributor.author | Yurtin, A.A. | |
dc.date.accessioned | 2023-01-25T06:22:43Z | |
dc.date.available | 2023-01-25T06:22:43Z | |
dc.date.issued | 2021 | |
dc.identifier.citation | Цымблер, М.Л. Об одном методе восстановления пропущенных значений потокового временного ряда в режиме реального времени / М.Л. Цымблер, В.А. Полонский, А.А. Юртин // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2021. Т. 10, № 4. С. 5–25. DOI: 10.14529/cmse210401. Zymbler M.L., Polonsky V.A., Yurtin A.A. On One Method of Imputation Missing Values of a Streaming Time Series in Real Time. Bulletin of the South Ural State University. Series: Computational Mathematics and Software Engineering. 2021. Vol. 10, no. 4. P. 5–25. (in Russian) .DOI: 10.14529/cmse210401 | ru_RU |
dc.identifier.issn | 2410-7034 | |
dc.identifier.uri | http://dspace.susu.ru/xmlui/handle/00001.74/45785 | |
dc.description | Цымблер Михаил Леонидович, д.ф.-м.н., доцент, кафедра системного программирования, Южно-Уральский государственный университет (национальный исследовательский университет) (Челябинск, Российская Федерация). Полонский Вячеслав Александрович, магистрант, кафедра системного программирования, Южно-Уральский государственный университет (национальный исследовательский университет) (Челябинск, Российская Федерация). Юртин Алексей Артемьевич, магистрант, кафедра системного программирования, Южно-Уральский государственный университет (национальный исследовательский университет) (Челябинск, Российская Федерация). M.L. Zymbler, V.A. Polonsky, A.A. Yurtin South Ural State University (pr. Lenina 76, Chelyabinsk, 454080 Russia) E-mail: mzym@susu.ru, s.polonski@mail.ru, lideor@yandex.ru | ru_RU |
dc.description.abstract | Проблема восстановления пропущенных значений потокового временного ряда в режиме реального времени возникает в широком спектре практических приложений цифровой индустрии и интернета вещей. В статье предложен новый метод восстановления на основе совместного применения технологий интеллектуального анализа временных рядов и искусственных нейронных сетей. Метод предполагает три этапа восстановления: предварительная обработка данных, распознавание и реконструкция. Предварительная обработка предполагает однократную предварительную подготовку обучающих выборок данных. Распознавание и реконструкция реализуются с помощью нейронных сетей, обучаемых на указанных выборках. Предварительной обработке подвергается заранее сохраненный фрагмент потокового временного ряда без пропусков, в котором выполняется поиск набора типичных подпоследовательностей (сниппетов). Распознавание реализуется с помощью сверточной нейронной сети, на вход которой подается вектор из элементов временного ряда, предшествующих пропуску. Распознаватель выдает сниппет, на который более всего похожа входная подпоследовательность. Реконструкция реализуется с помощью рекуррентной нейронной сети, на вход которой подается конкатенация вывода распознавателя и вектора элементов ряда, предшествующих пропуску. Реконструктор выдает восстановленное значение. Представлены результаты экспериментов, показывающих высокую точность восстановления и преимущество предложенного метода перед аналогами. The problem of the imputation of missing values in a streaming time series arises in a wide range of Industry 4.0 and Internet of Things applications. In the article, we propose a novel imputation method based on time series mining techniques and artificial neural networks. The method involves three steps of imputation: data preprocessing, recognition, and reconstruction. Preprocessing is a one-time preparation of training data samples. Recognition and reconstruction are implemented through two neural networks trained on the samples above. Preprocessing supposes the discovery of a set of typical subsequences (snippets) in a pre-stored fragment of the streaming time series without misses. Recognition is implemented through a Convolutional Neural Network, and its input is a vector of the elements preceding the current (missing) value. The Recognizer outputs the snippet that the input subsequence is most similar to. Reconstruction is implemented through a Recurrent Neural Network, and its input is a concatenation of the Recognizer’s output and the vector of the elements preceding the missing value. The Reconstructor outputs the value to be imputed. The experimental results show high accuracy and the advantage of the proposed method over analogs. | ru_RU |
dc.description.sponsorship | Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований (грант № 20-07-00140) и Министерства науки и высшего образования РФ (государственное задание FENU-2020-0022). | ru_RU |
dc.publisher | Издательский центр ЮУрГУ | ru_RU |
dc.relation.ispartof | Вестник ЮУрГУ. Серия Вычислительная математика и информатика | ru |
dc.relation.ispartof | Bulletin of South Ural State University. Series Computational mathematics and software engineering | en |
dc.relation.ispartofseries | Вычислительная математика и информатика;Том 10 | |
dc.subject | УДК 004.032.26 | ru_RU |
dc.subject | УДК 004.048 | ru_RU |
dc.subject | временной ряд | ru_RU |
dc.subject | восстановление пропущенных значений | ru_RU |
dc.subject | режим реального времени | ru_RU |
dc.subject | сверточная нейронная сеть | ru_RU |
dc.subject | рекуррентная нейронная сеть | ru_RU |
dc.subject | типичные подпоследовательности | ru_RU |
dc.subject | time series | ru_RU |
dc.subject | imputation of missing values | ru_RU |
dc.subject | online mode | ru_RU |
dc.subject | artificial neural networks | ru_RU |
dc.subject | CNN | ru_RU |
dc.subject | RNN | ru_RU |
dc.subject | time series snippets | ru_RU |
dc.title | Об одном методе восстановления пропущенных значений потокового временного ряда в режиме реального времени | ru_RU |
dc.title.alternative | On One Method of Imputation Missing Values of a Streaming Time Series in Real Time | ru_RU |
dc.type | Article | ru_RU |
dc.identifier.doi | DOI: 10.14529/cmse210401 |