Статті КЕОМ
Permanent URI for this collection
ENG: Articles
Browse
Browsing Статті КЕОМ by Subject "adequacy"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
Item Network Traffic Forcasting in Information-telecommunication System of Prydniprovsk Railways Based on Neuro-Fuzzy Network(Дніпропетровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро, 2016) Pakhomova, Victoria M.ENG: Purpose. Continuous increase in network traffic in the information-telecommunication system (ITS) of Prydniprovsk Railways leads to the need to determine the real-time network congestion and to control the data flows. One of the possible solutions is a method of forecasting the volume of network traffic (inbound and outbound) using neural network technology that will prevent from server overload and improve the quality of services. Methodology. Analysis of current network traffic in ITS of Prydniprovsk Railways and preparation of sets: learning, test and validation ones was conducted as well as creation of neuro-fuzzy network (hybrid system) in Matlab program and organization of the following phases on the appropriate sets: learning, testing, forecast adequacy analysis. Findings. For the fragment (Dnipropetrovsk – Kyiv) in ITS of Prydniprovsk Railways we made a forecast (day ahead) for volume of network traffic based on the hybrid system created in Matlab program; MAPE values are as follows: 6.9% for volume of inbound traffic; 7.7% for volume of outbound traffic. It was found that the average learning error of the hybrid system decreases in case of increase in: the number of inputs (from 2 to 4); the number of terms (from 2 to 5) of the input variable; learning sample power (from 20 to 100). A significant impact on the average learning error of the hybrid system is caused by the number of terms of its input variable. It was determined that the lowest value of the average learning error is provided by 4-input hybrid system, it ensures more accurate learning of the neuro-fuzzy network by the hybrid method. Originality. The work resulted in the dependences for the average hybrid system error of the network traffic volume forecasting for the fragment (Dnipropetrovsk-Kyiv) in ITS Prydniprovsk Railways on: the number of its inputs, the number of input variable terms, the learning sample power for different learning methods. Practical value. Forecasting of network traffic volume in ITS of Prydniprovsk Railways will allow for real-time identification of the network congestion and control of data flows.Item Прогнозування обсягу мережевого трафіка в інформаційно-телекомунікаційній системі придніпровської залізниці на основі нейронечіткої мережі(Дніпропетровський національний університет залізничного транспорту імені академіка В. Лазаряна, Дніпро, 2016) Пахомова, Вікторія МиколаївнаUK: Мета. Постійне збільшення обсягу мережного трафіка в інформаційно-телекомунікаційній системі (ІТС) Придніпровської залізниці призводить до необхідності визначення в реальному часі перевантаження в мережі та здійснення контролю потоків даних. Одним із можливих рішень є метод прогнозування обсягу мережного трафіка (вхідного та вихідного) з використанням нейромережної технології, що дозволить уникнути перевантаження сервера та підвищити якість послуг. Методика. В роботі виконані аналіз існуючого мережного трафіка в ІТС Придніпровської залізниці та підготовка вибірок: навчальної, тестової, контрольної, а також створення в програмі Matlab нейронечіткої мережі (гібридної системи) та організація на відповідних вибірках таких етапів: навчання, тестування, аналіз адекватності прогнозу. Результати. Для фрагмента (Дніпропетровськ – Київ) в ІТС Придніпровської залізниці здійснений прогноз (на добу вперед) обсягу мережного трафіка на основі гібридної системи, що створена в програмі Matlab; значення MAPE складає: 6,9 % для обсягу вхідного трафіка; 7,7 % для обсягу вихідного трафіка. Виявлено, що середня похибка навчання гібридної системи зменшується при збільшенні: кількості входів (від 2 до 4); кількості термів (від 2 до 5) вхідної змінної; потужності навчальної вибірки (від 20 до 100). Значний вплив на середню похибку навчання гібридної системи має кількість термів її вхідної змінної. Визначено, що найменше значення середньої похибки навчання надає чотири-вхідна гібридна система, більш точно здійснюється навчання нейронечіткої мережі за гібридним методом. Наукова новизна. Отримані залежності середньої похибки навчання гібридної системи прогнозування обсягу мережного трафіка фрагмента (Дніпропетровськ–Київ) в ІТС Придніпровської залізниці від: кількості її входів, кількості термів вхідної змінної, потужності навчальної вибірки за різними методами навчання. Практична значимість. Прогнозування обсягу мережного трафіка в ІТС При- дніпровської залізниці дозволить в реальному часі визначити перевантаження в мережі та здійснити контроль потоків даних.