ПРОГНОЗУВАННЯ СТАНУ ТЕЛЕКОМУНІКАЦІЙНИХ МЕРЕЖ МЕТОДАМИ КВАНТИЛЬНОЇ ТА ЛОГІСТИЧНОЇ РЕГРЕСІЇ
DOI:
https://doi.org/10.17721/2519-481X/2023/80-10Ключові слова:
інформаційні технології, телекомунікаційна система, інтелектуальна система прийняття рішень, машинне навчання, квантильна регресіяАнотація
У сучасному світі повсюдне поширення інформаційних технологій переплелись телекомунікаційні системи з усіма аспектами людського життя. Важко осягнути світ, де ви відключені від «Всесвітньої мережі» або не можете миттєво обмінюватися даними через заплутану мережу сучасних мобільних пристроїв. Життєвість підтримки зв’язку онлайн неможливо переоцінити, а забезпечення безперебійної роботи телекомунікаційних систем є першорядним. У цьому документі розглядається головне завдання прогнозування та керування продуктивністю цих мереж, використовуючи методи квантильної та логічної регресії. Наше дослідження використовує реальні дані з операцій телекомунікаційної мережі, щоб побудувати прогностичну модель, здатну заздалегідь передбачити стан мережі. Ця можливість прогнозування служить основою для інтелектуальних систем прийняття рішень, полегшуючи керування мережею в реальному часі. Впроваджуючи методи машинного навчання, зокрема квантильну регресію, ми досягаємо глибокого розуміння того, як різні фактори впливають на продуктивність мережі. Наше дослідження не обмежується лише прогнозуванням; він поширюється на сфери інтелектуальних систем прийняття рішень, де розуміння, отримане за допомогою регресійного аналізу, відіграє ключову роль. Ці інтелектуальні системи обладнані для прийняття керованих даними рішень щодо розподілу мережевих ресурсів, графіків технічного обслуговування та превентивного вирішення проблем. По суті, вони діють як зберігачі стабільності мережі, гарантуючи, що телекомунікаційні системи залишаються надійними та чуйними на вимоги сучасного суспільства, що постійно змінюються. Ця стаття проливає світло на незамінну роль регресійних методів у проактивному управлінні станом телекомунікаційних мереж. Використовуючи потужність машинного навчання та аналіз даних, ми прокладаємо шлях до майбутнього, де збої в роботі мережі зведені до мінімуму, а безперебійне з'єднання, на яке ми звикли покладатися, постійно буде присутнім у нашому житті.
Посилання
1. Khlaponin Y.I. Modern problems of creating complex real-time information and control systems /Khlaponin Yu.I., Nedaybida Yu.P., Kotova Yu.V. // Information protection. – 2012. – No. 4 (57). – P. 50-55.
2. Enyukov I.S. Statistical analysis and monitoring of scientific and educational Internet networks /I.S. Enyukov, I.V. Retinskaya; under. ed. A. N. Tikhonova. – M.: Finance and Statistics, 2004. – 320 p.
3. Khlaponin Yu.I. Modern problems of creating complex real-time information and control systems/ Khlaponin Yu.I., Nedaybida Yu.P., Kotova Yu.V. // Information protection. – 2012. – No. 4 (57). – P. 50-55.
4. Ayvazyan S.A. Applied statistics: classification and dimensionality reduction / Ayvazyan S.A.,Bukhstaber V.M., Enyukov I.S., Meshalkin L.D. Applied statistics: classification and dimensionality reduction. – M.: Finance and Statistics, 1989.
5. Andrews D.F. A Robust Method for Multiple Linear Regression // Technometrics. 1974. Vol. 16.P.523–531.
6. Hogg R.V. Adaptive Robust Procedures: A Partial Review and Some Suggestions for FutureApplications and Theory // Journal of the American Statistical Association. 1972. Vol. 43. P. 1041–1067.
7. Khlaponin Y.I. Establishment of neural measures in a statistical system of analysis andmonitoring of telecommunication measures / Khlaponin Y.I., Zhirov G.B., Nikitchin O.M. - K.: Technological audit and production reserves, 2016. - P.35.
8. Koenker R., Bassett G., Jr. Regression Quantiles // Econometrica. 1978. Vol. 46. No.1.P.33–50.
9. Koenker R., Hallock K.F. Quantile Regression // Journal of Economic Perspectives. 2001.Vol. 15. No.4. P.143–156.
10.Huber P.J., Robust Statistics. 1981. New York: John Wiley and sons.
11. Karst O.J. Linear Curve Fitting Using Least Deviations // Journal of the AmericanStatistical Association. 1958. Vol. 53. No. 281. P. 118–132.
12. Wagner H.M. Linear Programming Techniques Regression Analysis // Journal of theAmerican Statistical Association. 1959. Vol. 54. No. 285. P.206–212.
13. Introduction to the theory of order statistics / Ed. A.E. Sarkhan and B.G. Greenberg. Per. fromEnglish Ed. AND I. Boyarsky. M.: Statistics, 1970.
14. Kenneth Q. Z., Stephen L. P. Direct Use of Regression Quantiles to Construct Confidence Setsin Linear Models // The Annals of Statistics. 1996. Vol. 24. No. 1. P. 287–306.
15. Serhey Lienkov, Genadiy Zhyrov, Ihor Pampukha, Ivan Chetverikov . Block EncryptionAlgorithm for Digital Information Using Open Keys for Selfgeneration of Closed Random Private Keys // 2019 IEEE International Conference on Advanced Trends in Information Theory (ATIT), 18-20 Dec. 2019 Kyiv, Ukraine. Electronic ISBN: 978-1-7281-6144-0, Print on Demand(PoD) ISBN: 978-1-7281-6145-7, INSPEC Accession Number: 19452664 DOI: 10.1109/ATIT49449.2019.9030509.
