Участник:Medvmasha

Материал из MachineLearning.

Текущая версия

Стенина (Медведникова) Мария, группа 974

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

Mailto: mmedvednikova@gmail.com

Отчеты о научно-исследовательской работе

Весна 2012, 6-й семестр

Использование метода главных компонент при построении интегральных индикаторов

В работе рассматривается использование метода главных компонент при построении интегральных индикаторов. Полученные результаты сравниваются с результатами, даваемыми методом расслоения Парето. Строится интегральный индикатор для российских вузов. Для этого используются биографии 30 богатейших бизнесменов России по версии журнала «Forbes» за 2011 год.

Публикация

• Медведникова М.М. Использование метода главных компонент при построении интегральных индикаторов // Машинное обучение и анализ данных. — 2012. — № 3. — С. 292-304. — ISSN 2223-3792.

Осень 2012, 7-й семестр

Алгоритм многоклассовой классификации объектов, описанных в ранговых шкалах

Предложен метод построения рангового интегрального индикатора на основе ранговой матрицы описаний, заданной экспертами. Предложен трехшаговый итеративный алгоритм оценки параметров и весов признаков. Рассмотрена задача выбора наиболее информативных признаков. Работа проиллюстрирована задачей определения статуса редких видов, включенных в Красную книгу РФ.

Публикация

• М. П. Кузнецов, В. В. Стрижов, М. М. Медведникова Алгоритм многоклассовой классификации объектов, описанных в ранговых шкалах // НТВСПбГУ. — 2012. — № 5. — С. 92-94. — ISSN 1994-2354.

Алгоритм многоклассовой монотонной Парето-классификации с выбором признаков

Предложен метод нахождения монотонной функции, определенной на декартовом произведении множеств, на которых заданы отношения линейного порядка. В основе метода лежат процедуры монотонизации функции дискретного аргумента и нахождения Парето-оптимального фронта. Рассмотрена задача выбора наиболее информативных признаков. Работа проиллюстрирована задачей прогнозирования статуса редких видов, включенных в Красную книгу РФ.

Публикация

• М. М. Медведникова, В. В. Стрижов, М. П. Кузнецов Алгоритм многоклассовой монотонной Парето-классификации с выбором признаков // Известия ТулГУ. — 2012. — № 3. — С. 132-141. — ISSN 2071-6141.

Построение интегрального индикатора качества научных публикаций методами ко-кластеризации

Предлагается способ измерения качества научных публикаций автора, связанный с качеством журнала, в котором автор печатает свою работу. Рассматриваемый совместный интегральный индикатор вычисляется по спискам публикаций за последние годы, находящимся в открытом доступе, с использованием алгоритма коллаборативной фильтрации. В качестве функционала качества используется функция близости интегральных индикаторов авторов и журналов, в которых они публикуют свои работы. Также оценивается интегрированность авторов и изданий в мировую науку.

Публикация

• М. М. Медведникова, В. В. Стрижов Построение интегрального индикатора качества научных публикаций методами ко-кластеризации // Известия ТулГУ. — 2013. — № 1. — ISSN 2071-6141.

Гранты

Использование метода главных компонент при построении интегральных индикаторов, ПГАС

Весна 2013, 8-й семестр

Непараметрическое прогнозирование загруженности системы железнодорожных узлов по историческим данным

Предложен алгоритм непараметрического прогнозирования загруженности железнодорожных узлов РЖД по историческим данным. Алгоритм основан на свертке эмпирической плотности распределения значений временного ряда с функцией потерь. В работе исследуются свойства авторегрессионной прогностической модели. Алгоритм проиллюстрирован данными загруженности железнодорожных узлов Омской области за 2007 и 2008 годы.

Публикация

• Вальков А.С., Кожанов Е.М., Медведникова М.М., Хусаинов Ф.И. Непараметрическое прогнозирование загруженности системы железнодорожных узлов по историческим данным // Машинное обучение и анализ данных. — 2012. — № 4. — ISSN 2071-6141.

Instance ranking using partially ordered sets of expert estimations

We solve an instance ranking problem using ordinal scaled expert estimations. The experts define a preference binary relation on the set of features. The instance ranking problem is considered as the monotone multiclass classification problem. To solve the problem we use a set of Pareto optimal fronts. The proposed method is illustrated with the problem of categorization of the IUCN Red List threatened species.'

Публикации

• Medvednikova M. M., Kuznetsov M.P., Strijov V. V. Instance ranking using partially ordered sets of expert estimations // Journal of Machine Learning Research. — 2013 (submitted).

• Medvednikova M., Strijov V. Construction of rank-scaled quality integral indicator for scientific publications in using co-clustering // Notices of Tula State University. — 2013. — № 1. — С. 154-165.

Осень 2013, 9-й семестр

Гранты

Развитие теории краткосрочного прогнозирования многомерных временных рядов совместно с МЦНМО, № 14-07-31046, подано

Методы анализа взаимного влияния пассажирского и грузового трафиков РЖД, МФТИ, № 13-07-13139

Instance ranking using partially ordered sets of expert estimations, ПГАС

Весна 2014, 10-й семестр

Согласование агрегированных и детализированных прогнозов при решении задач непараметрического прогнозирования

В работе исследуются задачи, связанные с прогнозированием большого числа временных рядов, образующих иерархическую структуру. К прогнозам таких рядов как правило предъявляется требование согласованности прогнозов по уровням иерархии. В статье предлагается алгоритм согласования прогнозов иерархических временных рядов, основанный на решении задачи оптимизации с ограничениями. Предлагаемый алгоритм позволяет проводить согласование прогнозов в случае иерархической структуры, а также учитывать физические ограничения на прогнозируемые величины, такие как неотрицательность или максимальное значение. Работа алгоритма демонстрируется на данных посуточной загруженности железнодорожных узлов в Омской области, качество прогнозов сравнивается с качеством прогнозов алгоритма оптимального согласования. Также демонстрируется работа предлагаемого алгоритма при неплоской иерархической структуре временных рядов.

Публикация

• Стенина М.М, Стрижов В.В. Согласование агрегированных и детализированных прогнозов при решении задач непараметрического прогнозирования // Системы и средства информатики. — 2014. — № 24(2). — С. 21-34. — ISSN 2311-0325.

Гранты

Развитие теории краткосрочного прогнозирования многомерных временных рядов, ПГАС

Осень 2014, 11 семестр

Прогнозирование объемов железнодорожных грузоперевозок по парам веток

Работа посвящена исследованию алгоритма непараметрического прогнозирования объемов железнодорожных грузоперевозок. Рассматривается задача прогнозирования количества вагонов с различными грузами, следующих по различным маршрутам. Задана топология железнодорожной сети — для всех возможных пар железнодорожных веток дана информация о всех блоках вагонов, совершивших переезд с одной ветки на другую, включая количество вагонов в блоке, вид груза и дату прохождения маршрута. Для построения прогноза используется алгоритм, основанный на свертке эмпирической плотности распределения значений временного ряда с функцией потерь. Ранее прогноз выполнялся для каждого железнодорожного узла в отдельности. Предлагается повысить качество прогноза за счет прогнозирования по парам веток вместо прогнозирования отправления всех вагонов с данного узла. Алгоритм проиллюстрирован посуточными данными за полтора года о перевозках 38 типов грузов.

Публикация

• Газизуллина Р.К., Стенина М.М., Стрижов В.В. Прогнозирование объемов железнодорожных грузоперевозок по парам веток // Системы и средства информатики. — 2015. — № 25(1) (принято). — ISSN 2311-0325.

Согласование прогнозов при решении задач прогнозирования иерархических временных рядов

Рассматривается задача одновременного прогнозирования набора временных рядов, объединенных в иерархическую многоуровневую структуру. Требуется, чтобы полученные прогнозы удовлетворяли физическим ограничениям и структуре иерархии. В статье предлагается алгоритм согласования прогнозов иерархических временных рядов GTOp (Game-theoretically optimal reconciliation), гарантирующий неухудшение качества прогнозов после проведения процедуры согласования по сравнению с качеством прогнозов, полученных для каждого временного ряда независимо. Подход базируется на поиске равновесия Нэша в антагонистической игре заданного вида и сводит задачу согласования прогнозов к задаче оптимизации с ограничениями типа равенства и неравенства. Доказывается, что при выполнении ряда общих предположений о свойствах структуры иерархии, физических ограничений и функции потерь в игре существует равновесие Нэша в чистых стратегиях. Работа алгоритма демонстрируется на разных типах иерархических структур с использованием данных посуточной загруженности железнодорожных узлов.

Публикация

• Стенина М.М, Стрижов В.В. Согласование прогнозов при решении задач прогнозирования иерархических временных рядов // Информатика и ее применения. — 2015. — № 9(2) (принято). — ISSN 2310-9912.

Гранты

Развитие теории краткосрочного прогнозирования многомерных временных рядов, ПГАС

Участие в конференциях

10-я Международная конференция «Интеллектуализация обработки информации». 4-11 октября 2014г. Доклад "Комбинирование частичных порядков в задаче обучения по предпочтениям".

57-я международная научная конференция МФТИ. 24-29 ноября 2014г. Доклад "Согласование прогнозов иерархических временных рядов как задача поиска равновесия Нэша в антагонистической игре".