автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуальная поддержка при принятии управленческих решений в цикле постоянного улучшения

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования Волгоградский государственный технический университет (ВолгГТУ)

ъ

На правах рукописи

005556493

Щербаков Максим Владимирович

Интеллектуальная поддержка при принятии управленческих решений в цикле постоянного.

улучшения

05.13.01 - Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ диссертации на соискание ученой степени гора технических наук

4 ДЕК 2014

Волгоград - 2014

005556493

Работа выполнена на кафедре «Системы автоматизированного проектирования и поискового конструирования» в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Волгоградский государственный технический университет».

Научный консультант дрктор технических наук, профессор

Камаев Валерий Анатольевич.

Официальные оппоненты: Курейчик Виктор Михайлович,

доктор технических наук, профессор, ФГАОУ ВПО «Южный Федеральный Университет» Инженерно-технологическая академия, Институт компьютерных технологий и информационной безопасности, кафедра дискретной математики и методов оптимизации, заведующий;

Соснин Пётр Иванович,

доктор технических наук, профессор, ФГБОУ ВПО «Ульяновский государственный технический университет», кафедра «Вычислительная техника» заведующий;

Квятковская Ирина Юрьевна,

доктор технических наук, профессор, ФГБОУ ВПО «Астраханский государственный технический университет», Институт информационных технологий и коммуникаций, директор.

Ведущая организация Федеральное государственное автономное

образовательное учреждение высшего образования «Национальный исследовательский Томский политехнический университет».

Защита диссертации состоится «26» декабря 2014 г. в 14-00 на заседании диссертационного совета Д 212.028.04, созданного на базе Волгоградского государственного технического университета по адресу: 400005, г. Волгоград, пр. Ленина, д. 28, ауд. 209.

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета и на сайте http: //www. vstu. ru/f iles/thesis_ defence/8085/shcherbakov_maksim_vladimirovich.pdf .

Автореферат разослан «

Учёный секретарь диссертационного совета

»_2014 г.

f Водопьянов Валентин Иванович

Общая характеристика работы

Актуальность темы исследования. Развитие современного общества требует поиска новых подходов к управлению в промышленности, основанных на учете факта возникновения постоянных и быстрых изменений потребностей и технологий. Такие изменения в тоже время должны быть рассмотрены в рамках концепции устойчивого развития (sustainable development), неотъемлемыми частями которого являются: управление в цикле постоянного улучшения (continuous improvement) и принципы бережливого производства (lean, kaizen). Под циклом постоянного улучшения будем понимать повторяющийся процесс приводящий к улучшению результативности и системы управления. Принятие эффективных управленческих решений в цикле постоянного улучшения немыслимо без современных подходов к организации процесса управления сложными объектами и использования информационных технологий обработки данных, — основы для систем поддержки принятия решений (СППР). В этом случае возникает следующий вопрос: какие модели, методы, принципы наиболее эффективны для реализации поддержки принятия управленческих решений в цикле постоянного улучшения?

Несмотря на большое количество исследований, связанных с построением решений в области поддержки принятия решений, автоматического управления, данный вопрос остается актуальным. Это обусловлено изменениями в условиях реализации управления, подтверждаемыми следующими ключевыми факторами:

— рост числа объектов управления, приводящий к увеличению поступаемых данных (зачастую в режиме реального времени), что приводит к проблеме эффективной обработки больших данных';

— особое внимание к реализации поддержки принятия решений на всех этапах цикла постоянного улучшения, и как результат, принятия управленческих решений как по модификации объектов управления, так и модификации систем управления для реализации политики управления;

— раскрытие потенциала управления, связанного с возможностью формирования не только корректирующих оперативных решений, на основе анализа текущей ситуации, но предупреждающих решений с использованием технологий прогнозной аналитики;

— смещение акцентов в сторону автоматического принятия решений: максимальная автоматизация операций поддержки принятия решений и снижение нагрузки на пользователя при: синтезе механизмов поддержки принятия решений, настройках моделей и оценки качества исходных данных;

— использование моделей и методов интеллектуального анализа данных, алгоритмов машинного обучения, алгоритмов выявления сложных событий из данных как вычислительного ядра, позволяющих адаптировать процесс поддержки принятия решений к изменениям в объекте.

В настоящее время развивается направлецие, связанное с совершенствованием интеллектуальных систем поддержки при принятии управленческих решений в цикле постоянного улучшения, которые используют механизмы автоматической обработки больших данных с целью извлечения структурированной информации и знаний, необходимых для принятия решений, повышающие эффективность функционирования объектов управления. Решение данных задач требует разработки новых и совершенствования существующих методов и средств обработки данных, структур информационных систем, реализующих управление в цикле постоянного улучшения.

Степень разработанности темы исследования.

Концептуальные и пионерские результаты исследований в области при-

нятия решений, принятий поддержки и реализации интеллектуальных систем ППР отражены в работах Трахтенгерца Э.А., Лебедева В.Г., Геловани В. А., Петровского А.Б., Ларичева О.И., Marsden J., Burstein F., Holsapple C.W., Power D.J., Koehler G., Widmeyer G.R h других.

Теоретические основы синтеза проактивных систем, основанных на выявлении событий из данных, изложены в работах Tennenhouse D., Brafman R.I., Etzion О., Engel Y., Feldman Z., Niblett Р. и других. Интеллектуальные модели и методы обработки данных и поиска паттернов отражены в классических работах Shapiro-Patetsky G., Höbrail G., Nisbet R., Bishop C.M. и других. Результаты исследований, посвященные анализу потоков сенсорных данных, приведены в работах Nasereddin Н., Gaber М., McSharry P., Aggarwal С., Alzghoul A., Fan W., Kranen Р. и других.

Исходя из проблематики и анализа современных исследований в области интеллектуальных систем поддержки принятия решений, можно сформулировать фундаментальную научную проблему, на решение которой и направлено данное исследование: несовершенство моделей и методов интеллектуальной поддержки при принятии управленческих решений в цикле постоянного улучшения.

Объектом исследования являются процессы принятия управленческих решений в цикле постоянного улучшения. Предметом исследования — интеллектуальные методы поддержки при принятии управленческих решений в цикле постоянного улучшения.

Цели и задачи диссертационной работы. Цель заключается в разработке теоретических основ интеллектуальной поддержки при принятии решений, направленных на повышение эффективности управления в цикле постоянного улучшения. Для достижения поставленной цели были сформулированы следующие задачи:

1. выполнить системный анализ структуры процессов принятия управленческих решений в цикле постоянного улучшения (на примере различных предметных областей), классифицировать проблемы, возникающие при поддержке принятия решений и сформулировать требования к системе поддержки принятия решений;

2. разработать методологию интеллектуальной поддержки при принятии управленческих решений в цикле постоянного улучшения, основанную на обобщенной структуре процессов управления, моделях автоматической интеллектуальной обработки данных и методиках поддержки при принятии решений на всем цикле постоянного улучшения;

3. в рамках методологии разработать методы сбора, оценки и обеспечения качества данных;

4. разработать метод автоматической идентификации объектов управления на основе методов интеллектуальной обработки данных и извлечения событий из данных, позволяющий минимизировать участие лица принимающего решение в процессе настройки моделей;

5. разработать методики интеллектуальной поддержки принятия корректирующих, предупреждающих управленческих решений, а также формирования автоматических решений на всех стадиях цикла постоянного улучшения.

6. разработать концептуальную структуру системы поддержки принятия решений, реализующей методы интеллектуальной обработки данных;

7. обосновать эффективность предлагаемых теоретических положений при реализации в системах под держки принятия решений в цикле постоянного улучшения (на примере ряда предметных областей).

Научная новизна заключается в разработке методологии интеллектуальной поддержки при принятии управленческих решений в цикле постоянного

улучшения, основанной на интеллектуальной обработке данных и включающей в себя:

— обобщенную структуру процессов принятия решений при управлении в цикле постоянного улучшения, включающую описание операций, информационных потоков и хранилищ данных;

— формализацию коннективистских систем, позволяющую унифицировать способ представления механизмов интеллектуальной обработки данных и осуществлять их синтез для автоматической обработки данных различных типов;

— концепцию онлайн и оффлайн конвейеров обработки данных, позволившую эффективно обрабатывать потоки данных в режиме реального времени на распределенных вычислительных структурах;

— методы оценки и улучшения качества данных, включающие в себя разработанную систему сбалансированных показателей оценки качества данных, методы идентификации пропусков и выбросов I и II типов, методы улучшения данных, которые в совокупности позволяют оценить и повысить качество данных в режиме реального времени;

— метод автоматической идентификации объекта управления на основе кластеризации данных на коротких интервалах наблюдения, позволяющий: (i) повысить точность автоматического прогнозирования поведения объектов; (ii) снизить участие пользователя в процессе синтеза прогнозирующих моделей;

— методики поддержки при принятии управленческих решений на стадиях цикла постоянного улучшения, включающие разработанные методы поддержки принятия корректирующих, предупреждающих, а также формирования автоматических решений управления техническими системами, позволяющие осуществлять интеллектуальную поддержку на основе методов и алгоритмов автоматической обработки данных;

— концептуальную структуру интеллектуальной системы поддержки принятия решения, включающую слои источников данных, представления, бизнес логики и хранения данных, реализующую компоненты интеллектуальной обработки данных.

Теоретическая и практическая значимость. Разработанные теоретические основы расширяют исследования в области компьютерной поддержки принятия решений и могут быть использованы для формирования новых методов интеллектуальной обработки данных, для проектирования и разработки интеллектуальных систем поддержки при принятии управленческих решений в цикле постоянного улучшения в различных предметных областях.

Разработанные в рамках методологии положения применялись при проектировании и реализации следующих компонент и систем:

— программные решения в системе энергетического менеджмента EcoSCADA (www. ecoscada. com);

— система автоматического прогнозирования временных рядов на основе нейросетевых технологий iCJDMS;

— система автоматического прогнозирования потребления электроэнергии EFAS (efas.iclouddatamining.com) ;

— система выявления качества данных Data Quality Framework;

— автоматизированная система поддержки принятия решений управления транспортно эксплуатационным состоянием автомобильных дорог (АСУ Road Status);

— программный комплекс прогнозирования потребления электроэнергии на основе нечётких моделей (свид. о гос. per. № 2013612364 от 26 февраля 2013 г);

— web-сервис интеллектуального выявления выбросов во временных рядах (свид. о гос. per. № 2011617025 от 9 сент. 2011 г.);

— web-система восстановления пропусков данных (свид. о гос. per. № 2011619362 от 7 дек. 2011 г.);

— система обработки потоков сенсорных данных Smarterdam (www. smarterdam.

ors);

— система обработки больших данных в инфраструктуре Hadoop: Smarterdam:2;

— компонент прогнозирования в программных продуктах компании ООО «Волгасофт-Проект»;

— при проектировании сервисов управления гибридными энергетическими установками, использующими альтернативные источники получения энергии (солнечные панели) (ООО «Солнечные Технологии»);

— разработке сервисов интеллектуального энергетического менеджмента (ООО «ИКОМЕРС», ООО «РЕУС»).

Результаты диссертационного исследования были получены в том числе и в рамках:

— проектов РФФИ: 04-06-96500-р2004 поволжье_а «Моделирование экономических систем и модели устойчивого развития региона на примере Волгоградской области», 10-07-97008-р_поволжье_а «Разработка, применение и исследование эволюционных коннективистских моделей идентификации динамики систем на коротких интервалах наблюдения» (ответственный исполнитель), 12-01-00684 «Разработка и исследование интеллектуальных моделей поддержки принятия решения в управлении энергосбережением в условиях неопределенности» (ответственный исполнитель) 12-07-31017 «Разработка методов интеллектуальной обработки потоков сенсорных данных» (руководитель), 13-07-00219 «Интеллектуальная поддержка задач стратегического планирования на основе интеграции когнитивных и онтологических моделей» (исполнитель), 14-07-00945 «Разработка интеллектуальной системы энергетического менеджмента» (ответственный исполнитель);

— проекта № 2.1917.2014К_2014 на выполнение научно-исследовательской работы в рамках проектной части государственного задания в сфере научной деятельности при поддержке Министерства образования РФ (исполнитель);

— проектов TEMPUS: JEP_27082_2006 Network of centers for training 'of innovative project management (NCTIPM); 144641 - TEMPUS- 1-2008-1-FITEMPUS- JPCR International networking for modernization of tourism education and developing acaderaic mobility (INTOUR);

— хоздоговоров с компанией Porta Capena, (Бельгия);

— совместных проектов с областной администрации Волгоградской области и с ВолгГАСУ (кафедра ЭУДХ);

— Проект с KHKempen, Бельгия «Energiemonitoring en anomalie detectie gebouwen» (2010-2011);

— Проекты с компаниями ООО «Волгасофт-Проект», ООО «Солнечные Технологии», ООО «ИКОМЕРС», ООО «РЕУС».

Методология и методы исследования. При разработке методологии применялись методы системного анализа, теории принятия решений, поддержки принятия решений, математической статистики и машинного обучения интеллектуальной обработки данных, нечеткой логики. ' Положения, выносимые на защиту:

1. Обобщенная структура процессов принятия решений при управлении

объектами в цикле постоянного улучшения.

2. Формализацию коннективистских систем, позволяющую на своей основе синтезировать механизмы обработки информации в автоматическом режиме.

3. Концепция онлайн и оффлайн конвейеров обработки потоков данных и метод их формирования, обеспечивающие синтез механизмов обработки потоков данных в режиме реального времени.

4. Методы оценки и улучшения качества данных на основе системы сбалансированных показателей качества, обеспечивающие приемлемое для принятия решений качество данных.

5. Метод автоматической идентификации объекта управления на основе кластеризации данных на коротких интервалах наблюдения, позволяющий формировать прогнозные модели для множества объектов при минимальном участии пользователя.

6. Методики поддержки принятия корректирующих, предупреждающих управленческих решений на стадиях цикла постоянного улучшения на основе методов интеллектуальной обработки данных, позволяющие реализовывать эффективную поддержку при принятии решений в том числе и в автоматическом режиме.

7. Концептуальная структура четырехуровневой интеллектуальной системы поддержки принятия решения, позволяющая, проектировать и разрабатывать различные архитектуры систем поддержки принятия решений.

Степень достоверности и апробация результатов. Достоверность результатов диссертационного исследования определяется корректным использованием методов исследований и математического аппарата, а также подтверждается результатами проведенных вычислений и успешного внедрения разработанных систем интеллектуальной поддержки принятия решений.

Основные результаты диссертации докладывались на следующих конференциях (приводятся значимые): 11th Joint Conference on Knowledge-Based software Engineering, JCKBSE 2014 (Волгоград, Россия, 2014); Multi Conference on Computer Science and Information Systems (Data Mining) (Прага, Чехия 2013; Лиссабон, Португалия 2014); IEEE 3rd Eastern European Regional Conference on the Engineering of Computer Based Systems (ECBS-EERC) (2013,'Будапешт, Венгрия); International Conference Statistics & its Interactions with Other Disciplines, (Хошимин, Вьетнам 2013); Strata + Hadoop World (Нью Йорк, США, 2013); 13th, 14th International Conference on Information Integration and Web-based Applications & Services ACM iiWAS (Хошимин, Вьетнам 2011, Бали, Индонезия 2012); IFAC Conference on Manufacturing Modelling, Management, and Control, MIM 2013, (Санкт-Петербург, Россия); Международная научно-практической конференции «Инновационные информационные технологии» (Прага, Чехия, 2013); Spatial Statistics (Колумбус, Огайо, США 2013); Конгрессы по интеллектуальным системам и информационным технологиям «IS&IT'11»,«IS&IT'12» (Дивноморское, Россия 2011, 2012); International Symposium on Forecasting (ISF 2011), (Прага, Чехия 2011); 3-й симпоз. по нейроинформатике и нейрокомпьютерам (Ростов-на-Дону, Россия, 2009); V междунар. конф. «Идентификация систем и задачи управления» (SICPRO'06), (Москва, Россия, 2006); 3-й всерос. науч. конф. «Нечёткие системы и мягкие вычисления (НСМВ-2009)», (Волгоград, Россия, 2009).

Результаты были доложены на научных семинарах: в лаборатории ELECTA Католического университета Левена (KULeuven) (проф. Dekonink G., Helsen, L.) (г. Левен, Бельгия); в лаборатории энергоэффективности филиала KULeuven (кампус Томас Мура, Гиль, Бельгия); в Институте Информационных Технологий Вьетнамской Академии Наук.

Материалы диссертационного исследования легли в основу курсов «Проектирование автоматизированных систем», читаемого студентам 1 курса магистратуры и «Построение информационной системы предприятия», читаемого слушателям программы MB А (ВолгГТУ).

Публикации Материалы диссертации опубликованы в 115 печатных работах, из них 33 статьи в рецензируемых журналах, рекомендуемых ВАК, 18 публикаций в международных источниках- (из них 12 проиндексированы в Scopus). Получены 3 свидетельства о регистрации программ на ЭВМ.

Личный вклад автора заключается в разработке основных теоретических положений, выносимых на защиту; в разработке методов и методик, вошедших в структуру методологии; в постановке задач для разработки алгоритмов методов интеллектуальной обработки данных. Автором ставились задачи проведения экспериментов и разработки компонент программного обеспечения. Вклад автора в основные опубликованные работы был определяющим. Все представленные в диссертации положения, выносимые на защиту, получены лично автором, либо под его руководством.

Структура и объем диссертации Диссертация состоит из введения, обзора литературы, шести глав, заключения и библиографии. Общий объем диссертации 333 страницы, из них 268 страниц текста, включая 70 рисунков; 9 приложений. Библиография включает 281 наименование на 26 страницах.

Содержание работы

Во введении обоснована актуальность диссертационной работы, сформулирована цель и аргументирована научная новизна исследований, показана практическая значимость полученных результатов, представлены выносимые на защиту научные положения.

В первой главе рассмотрено состояние проблемы компьютерной поддержки принятия управленческих решений в цикле постоянного улучшения (ПУ) как эффективной практики реализации устойчивого развития. Процесс ПУ включает стадии, определенные Демингом: планирования, внедрения и функционирования (выполнения), проверки и корректировки (Plan-Do-Check-Act, PDCA). При ориентировании предприятий и промышленности на развитие экономики, основанной на знаниях, предлагается модификация процесса ПУ, а именно выделение стадий: планирования, выполнения, обучения (генерация знаний) и улучшения (Plan-Do-Study-Imrove, PDSI). Инвариантная система формирования и реализации управленческих решений в цикле ПУ, рассматриваемая в рамках данного исследования, представляется схемой (рис. 1). На данной схеме обозначен объект (или объекты) управления, выходные параметры которого фиксируются сенсорами. Кроме этого сенсоры фиксируют параметры, характеризующие внешнюю среду, влияющую в той или иной степени на функционирование объекта. При этом в систему включены технические системы управления объектом — системы автоматического управления или регулирования (САУ) компонентов объекта. САУ реализуют управление в автоматическом режиме для обеспечения заданных целевых установок. Как правило, данные САУ имеют встроенную программу, на основе которой осуществляется управление. Следует отметить, что в системе управления реализуются процессы формирования управляющих воздействий, направленные: (i) на объекты управления для его структурной и/или параметрической модификации, а также изменение способов использования объектов (модификация режимов функционирования); (ii) на технические системы управления объектами или САУ по средством изме-

нения конфигураций или программ. Отметим, что на всех стадиях цикла ПУ осуществляется процесс принятия решений, а следовательно, для повышения эффективности процесса принятия решений требуется реализация компьютерной поддержки принятия управленческих решений.

Процесс принятия решения — ключевой процесс, влияющий на качество выпускаемой продукции или сервисов, стратегию развития предприятия.

В работе используется универсальный алгоритм решения задачи принятия решений (ЗПР), включающий следующие шаги. 1. Выявление проблемы и содержательное описание проблемы, задание желаемого результата и определение ограничений.

, „ 2. Постановка задачи:

Гис. 1. ихема системы формирования и реализации управленче- опприрттрнир втипж-ских решений в цикле постоянного улучшения ^х Двариа1тоГреше-

ния, сбор и анализ информации, разработка модели проблемной ситуации, формулировка задачи принятия решения. 3. Поиск решения: выбор и/или разработка метода решения задачи, оценка и анализ вариантов решения, выбор наиболее предпочтительного варианта, изменение формулировки проблемы (если необходимо); 4. Исполнение решения: реализация и контроль принятого решения, оценка результатов решения проблемы.

Рассмотрены процессы принятия управленческих решений в цикле ПУ' и выделены проблемы компьютерной поддержки на примере следующих предметных областей:

— энергетического менеджмента зданий с системами климат контроля [14];

— проектирования и управления гибридными энергетическими системами с элементами преобразования возобновляемой энергии (ГЭнС) [1, 9];

— управления транспортно-эксплуатационным состоянием автомобильных дорог (ТЭС АД) и принятие решений по ремонту и содержанию [31];

— управления социально-экономическим развитием муниципальных образований (МО) [15, 21].

Отмечаются следующие специфики систем, объединяющие данные предметные области: (¡) во всех системах ЛПР используется для принятия решений управления компонентами системы и подобные решения могут быть как корректирующие, так и предупреждающие; (И) во всех системах имеется стандарты предприятий, регламентирующие процесс поддержки принятия решения, следовательно системы автоматизации не должны противоречить подобным стандартам; (111) во всех системах присутствует управление множеством объектов, что накладывает ограничение на время обработки данных и предоставления информации; (¡у) во всех системах присутствует разнородность типов данных: существует процесс сбор данных об объекте управления, которые в свою очередь отличаются типами и способами представления; (у) во всех системах мо-

гут присутствовать технические средства, управление которыми осуществляется в автоматическом режиме; (уГ) во всех системах можно выделить период управления (или период принятия решений), связанный с режимами функционирования объектов, например, суточный (как в СЭМ, ГЭнС), годовой (как в управлении ТЭС АС, управление социально-экономическим развитием МО).

На основе системного анализа предметных областей и анализа работ, сформулированы соответствующие выводы и выявлены конкретные научные проблемы, связанные с несовершенством методов поддержки принятия решений при реализации цикла ПУ. Для оценки степени проработанности выполнен анализ современных исследований в области разработки систем поддержки принятия решений (в том числе и управленческих решений в цикле ПУ).

В результате анализа выделены и классифицированы проблемы при реализации поддержки принятия решений в цикле ПУ. Так выделено четыре класса проблем: (И) проблемы уровня собираемых и анализируемых данных; (12) проблемы в реализации и функционировании механизмов обработки данных; (13) проблемы в реализации механизмов поддержки принятия решений на всех этапах цикла постоянного улучшения; (14) проблемы уровня технической реализации систем поддержки принятия решений и программной инженерии подобных систем;

На основе анализа стадий цикла ПУ, классов проблем при реализации процессов принятия решений сформулированы требования к СППР и предложены схемы реализации требований при принятии управленческих решений в цикле ПУ: (\)гибкость\ (¡1) непрерывность-, (111) пригодность; (¡у) скорость; (у) достаточность; (VI) масштабируемость; (уи) проактивность; (уш) автоматизация; (¡х) распределенность.

Во второй главе предложена методология интеллектуальной поддержки принятия управленческих решений в цикле постоянного улучшения (рис. 2). Методология общее описание. В основу предлагаемой методологии положены:

— структура процессов принятия управленческих решений при реализации управления объектами в цикле постоянного улучшения;

— компоненты синтеза механизмов интеллектуальной обработки данных, включающие в себя: (¡) коннективистские системы как вычислительный базис для интеллектуальной обработки данных (11) концепцию реализации алгоритмов обработки потоков данных на основе онлайн и оффлайн конвейерного подхода;

— методы сбора, оценки и обеспечения качества данных для поддержки принятия решений;

— метод автоматической идентификации объекта управления на основе интеллектуальной обработки данных;

— методики поддержки принятия корректирующих, предупреждающих'и автоматических решений на всех стадиях цикла ПУ;

— концептуальная структура иерархической и распределенной системы поддержки принятия решений, реализующая методы интеллектуальной обработки данных.

Структура процессов принятия управленческих решений при реализации управления обеектами в цикле постоянного улучшения. Процесс формирования управленческих решений в цикле ПУ, в общей постановке, представляется в виде:

ОМ = (О, П, Р, Т}), (1)

где О — множество объектов управления, П — политики управления (число политик управления равно числу объектов), Р — процессы, реализуемые в цикле

и

Рис. 2. Схема методологии интеллектуальной поддержки принятия управленческих решений в цикле постоянного улучшения на основе механизмов интеллектуальной обработки данных

постоянного улучшения для обеспечения политики управления и включающие стадии для каждого объекта: р^ — инициирования новой итерации цикла ПУ, — планирования, pW — реализации принятых решений и их фиксации, р^

— проверки и обучения, р^ - улучшения; Т = {[£0,ifc]} - временные интервалы принятия решений: мгновенные (в режиме масштаба реального времени), оперативные, среднесрочные и долгосрочные.

Каждая из стадий включает в себя операции. Формально г-я операция, реализуемая на j-ой стадии представляется кортежем вида:

Р® = (inP' oui> Чу compet, compl), где inp — множество входных данных; output

— множество выходных данных; tp — нормативное время выполнения операции; compet — перечень компетенций, которыми должен обладать ЛПР; compl — сложность: представляющая собой зависимость времени выполнения операции от числа объектов. В работе рассматриваются следующие типы компетенций ЛПР: профессиональная, системная, аналитическая.

На стадии инициирования р^ выполняются операции: pIF— формализация объекта управления (задание метаданных); pIDS — оформление подписки на данные (внешние или внутренние); pIMP — формирование (модификация) политики управления. Операция формализации pIF заключается в формировании описания объекта, в соответствии со следующим представлением: о = (пате, (lat, long), params, sensors, I), где name — описание (имя) объекта управления; (lat, long) — физическое расположение (координаты широты и долготы); params — множество параметров, характеризующих объект, где каждый

параметр описывается двойкой вида: paramk = (pname,ptype)^k\ где рпате

— название параметра; ptype — тип параметра; sensors — множество элементов предоставления данных (объекты или сервисы сбора данных) об объекте и внешней среде; I - продолжительность короткого интервала наблюдения (число дискретных отсчетов), I = {число наблюдений в течение часа, суток, недели, месяца, квартала, года }. Выделим следующие типы параметров: выходные

наблюдаемые — наблюдаемые выходные переменные объекта (например, календарь использования зданий); выходные управляемые — наблюдаемые выходные переменные объекта, используемые.для расчета результативности управления 2 (например, потребление энергии, производство энергии, др.); входные возмущающие — наблюдаемые переменные, характеризующие воздействие окружающей среды; входные управляющие — наблюдаемые переменные, характеризующие воздействия на объект управления со стороны ЛПР или систем автоматического управления; входные целевые — заданные переменные, характеризующие желаемые значения выходных управляемых параметров.

Под политикой управления понимается некоторое намерение со стороны руководства, заключающееся в достижении определенных целей:

где г — переменная из множества Z, т, — процент изменения относительно базового значения fej, ts — временная метка (дата) реализации политики, © — операция изменения z относительно 6, О = {<, =, >}. Базовые значения выходных управляемых — текущее значение выходных управляемых параметров до реализации управления в цикле ПУ.

На стадии планирования (planning) р^ выполняются операции: pPDA — анализ данных (формирование запросов, получение и анализ результатов запросов); рРМС — построение модели объекта; рРВ — установка базисных значений переменных из Z: Vzi <= Z : 36j = Si,i е [to,tk\; pPKPI— задание показателей результативности, которые могут быть представлены в виде частной функции полезности: kj = ufj(zi,z2,...) для выявления неэффективных режимов функционирования объекта; pPG — установка целей управления на основе политики управления; pPDM — принятие управленческих решений для реализации

политики управления П, включающей операции: — реализации проце-

дур генерации возможных решений (сценариев); pfPDM^ — оценки возможных альтернатив решений; — согласования решений (при групповом ПР);

pipPDM) _ Пр0гн03ир0вания и анализа динамики развития ситуации при реализации различных сценариев; pfPDM} — выбора предпочтительного сценария.

На стадии внедрения и функционирования (implementation and operation) pW выполняются операции: pDAI — обеспечения компетентности, подготовки и осведомленности ЛПР; pDlEX — процесс обмена информации между ЛПР; pDD — процесс оформления и ведения документации ЛПР; pDOM — процесс управления операциями для реализации выработанных решений; pRM — процесс обеспечения ресурсами: услугами, продукцией, оборудованием и энергией.

На стадии проверки (measurement and verification) рвыполняются операции: рСМ — мониторинга объекта; pCLC — оценки соответствия законодательным и другим требованиям; рС1А — внутреннего аудита системы управления; pCVD — выявления несоответствий; pCDM — принятия управленческих решений для формирования корректирующих и предупреждающих действий.

(2)

Рис. 3. Диаграмма потоков данных процессов цикла постоянного улучшения.

На стадии анализа и улучшения (analysis and improvement) р^ выполняются операции: рАР — анализ политики, показателей результативности как степени достижения поставленных целей, состояния выполнения предупреждающих и корректирующих действий; . ADM — принятия управленческих решений по улучшению, а именно инициированию нового цикла и переход на стадию p(J). Принятие решений на этапе улучшения: либо принимается решение по инициации следующей итерации цикла постоянного улучшения (переход на стадию инициации), либо принимается решение по модификации системы управления.

Диаграмма потоков данных операций цикла постоянного улучшения представлена на рисунке 3.

Использованы следующие обозначения: dOD — данные об объекте управления, dOSD — формализованное представление объекта, dOM — метаданные объекта, dR — связи типа «параметр - сенсор», dPM — политика управления, sPT — типы параметров, sDH — сенсоры (датахай), sOP — типы операций 0. sDW

— хранилище данных, sA — варианты альтернатив; sKPl — библиотека показателей эффективности,- sP

— политика управления; dQ — запросы на получение данных; dfRes — результаты запросов, графическое изображение результатов; dM — прогнозная модель объекта; dBs — базисные значения; dSKPI — ключевые показатели результативности; dG — цели управления; dSD — информация о выбранном решении (сценарии). sSD — информация о выбранном решении, для реализации; sRD — информация о ресурсах, для реализации выбранного решения; dOM — данные об объекте управления; АЛЬ — данные об уровне осведомленности персонала, реализующего принятое решение; dDIEX — данные о реализации процесса обмена информацией между ЛПР и персоналом, реализующим принятое решение; dTS т- техническая документация; dR — информация о ресурсах, необходимых для реализации выбранного решения; dSDN — информация о процессе реализации выбранного решения и о результатах. sL — законодательные акты; sCSI — информация о состоянии системы управления; sG — целевые значения выходных управляемых переменных; dCQ — запросы на получение данных, формируемые ЛПР на стадии проверки; dCQR — данные, представляющие собой результаты запросов и их графическое отображение; dCRLC — результаты оценки соответствия законодательным и другим требованиям; dAR — результаты аудита с целью выявления несоответствий; dDV — перечень выявленных несоответствий; dCSD — выбранное (или сформированное системой управляющее воздействие в автоматическом режиме) предпочтительное решение. dRAP — отчет по результатам анализа, dASD — выбранное решение на стадии анализа и улучшения.

Коннектпивистские системы как базис для построения механизмов интеллектуальной обработки данных в системах поддержки принятия решений. Для унификации представления моделей интеллектуальной обработки данных был предложен подход, основанный на представлении обработчиков в виде коннективистских систем (КС).

Коннективистской системой или сетью будем называть вычислительную структуру, представляемую ориентированным графом, вершины которого представляют элементы - преобразователи информации, а дуги - взвешенные связи между этими элементами. КС можно представить в виде кортежа:

сз = (cU, cL, cR, cJ, cQ, ca), (3)

где cU — множество элементов, элементарных преобразователей данных, cL — множество слоев - контейнеров, объединяющие элементы, cR — матрица связей между элементами (инцидентности), определяющая структуру КС, с© — множество параметров КС, cJ(cG) — функция потерь, са — алгоритм поиска значений параметров с0, минимизирующих функцию потерь cJ. Элемент множества cU можно представить кортежем вида:

сщ = <mpW,out,,6«hf ) , (4)

где inpW — вектор входных сигналов (могут быть выходными сигналами элементов предыдущего слоя), т.е. inp^ = jmpj'H, j — 1 где — размер

входного вектора, outi — выходной сигнал элемента (скаляр), 0W — вектор параметров (весов) и = l^'ji гДе3 = пыр> hg — функциональное преобразование входного сигнала в выходной: outi = /tym (inpw, 0«) . Пример структуры

2-х слойной коннективистской системы представлен на рисунке 4 а).

Введем понятие коннективистского вычислительного базиса — это базис состоящий из множества элементарных преобразователей информации, реализующих операции {+, *, nl, min (•), max (■)}, где nl — нелинейное преобразование, min (■) — получение минимального значения, max (■) — получение максимального значения.

Следует выделить два процесса, протекающих в структуре коннективистской системы: процесс прямого распространения .сигнала и процесс обратного распространения сигнала.

ТЗведем следующие понятия. Процесс прямого распространения сигнала — п|юцесс последовательного послойного расчета выходных сигналов элементов

Входное воздействие inp подается на элементы входного слоя КС и распространяется по слоям в соответствии с множеством связей cR. Каждый элемент выполняет преобразование h (часто функцию взвешенного суммирования и нелинейного преобразования) над входными сигналами, поступающими от элементов, связных с рассматриваемым элементом через веса er S cR. Выходом КС out являются рассчитанные значения элементов последнего (выходного) слоя.

Процесс обратного распространения сигнала — итерационный процесс определения параметров КС в процессе минимизации функции потерь cJ, т.е. реализации алгоритма са (для г-й КС): с9 = са^ (z, cJ^J , где Z — матрица значений входных и выходных параметров.

Выполнена типизация входных и выходных данных: выделены типы параметров: количественный, нечет-'"Р' Л_""'см кий, качественный и импульсный. Рассмотрены возможности преобразования данных качественного типа в количественный (кодирование), а также преобразование количественных (нормализация).

Проведена классификация моделей и методов по следующим классам задач: предобработки данных, регрессии, классификации, кластеризации, Рис. 4. Иллюстрация 2-х слойной коннекти- выбора оптимального решения, вистской системы Выполнено представление следу-

ющих моделей в виде коннективистской системы: линейной регрессионной, нейронных сетей, эволюционных коннективистских сетей, импульсных сетей, нечетких нейронных сетей в коннективистском вычислительном базисе (см. таблицу 1).

Разработана двухпроцессная импульсная нейронная сеть (ДИНС), базирующаяся на известных моделях импульсных нейронных сетей (ИНС) и представляющая собой многослойную сеть, состоящую из импульсных нейронов (ИН) адаптивных сумматоров. В отличие от стандартной многослойной сети

mp-i inpt inps

каждый синапс в ДИНС, соединяющий ИН, состоит из Т пресинаптических терминалов (ПТ), каждый их которых имеет вес и проводит импульс только в определенный момент времени Ь (рис. 5). Набор весовых коэффициентов синаптических связей г-ого и .7-ого нейронов представлен в виде вектора:

ю(р = 6 (0; 1) не {!,...,

Рис. 5. Пример структуры трехслойной ИНС, состоящей из I нейронов входного слоя, I нейронов скрытого и К нейронов выходного слоя. Слева отображена декомпозиция связи нейрона г к нейрону у. пресинаптические потенциалы.

В дискретный момент времени t подается входной сигнал, принимающий значение 1 или 0, в зависимости от наличия или отсутствия импульса. Дискретный момент времени, в котором наблюдается импульс, будем называть отсчетом или временем срабатывания (ВС).

Значение потенциала Р импульсного нейрона зависит от двух процессов, протекающих в структуре сети. Первый процесс связан с накоплением мембранного потенциала (МП), второй с учетом рефракторного периода (РП) в импульсном нейроне. Рассмотрим математические составляющие каждого из них. Первый процесс описывает воздействие на ИН входных импульсов, поступающих на ПТ с нейронов предыдущего слоя. В этом случае значение МП определяется как:

где Ц - текущее время; I - номер дискретного отсчета срабатывания г-ого нейрона, I € Рц ~ множества номеров дискретных отсчетов срабатывания г-ого нейрона.

у\ (1?) = и с«г- о = Vе11- г }>ф) = геМ)> (6)

при ^ >1,е — функция отклика, t>01т — параметр отклика. Второй процесс, влияющий на значение потенциала нейрона - процесс учета рефрактерного периода. Математически это осуществляется добавлением слагаемого к значению потенциала:

Р® ) = ц - $ , М«) = ' V)

(7)

где ^ — текущее время; — время срабатывания, и — пороговое значение, х 6 N ; - функция Хевисайда.

Таблица 1. Типы коннективистских систем

КС Операции cJ са

линейные модели {+,*} («) = ^ ЕГ г ££Г - где т — число строк в обучающем множестве. .метод наименьших квадратов .

нейросетевые модели {+,*,"'} м С?) = ЕГ=1 £"17 - , метод градиентного спуска и их модификации

эволюционные КС аналогично предыдущему алгоритмы настройки Касабова

импульсные КС {+, *, ni} ' — желаемое время срабатывания нейрона оригинальный двухпроцессный алгоритм настройки

нечеткие КС min (•), max (•)} (в) = Е™1 ЕТЛ (л$ - Ш$>У метод градиентного спуска

Введено понятие коллекции коннективистских систем как совокупность КС, представленная кортежем вида:

csc = ({csc} , {а}, CQ, metadata), (8)

где {ese} — множество КС, реализующих модели и методы для решения задач обозначенных выше, {а} — множество алгоритмов минимизации функции потерь КС, CQ — множество критериев качества оценки функционирования КС, metadata — метаданные, описывающие характеристики КС в коллекции.

Предложена методика решения задач в коннективистском базисе.

Концепция онлайн и оффлайн конвейерной обработки данных. Одной из ключевых проблем при решении задачи в базисе КС является процедура синтеза последовательности КС для решения конкретной задачи. Для синтеза последовательности коннективистских систем для реализации конкретной задачи был предложен подход, основанный на конвейерном представлении последовательности коннективистских систем и последующем разделении их на онлайн и оффлайн конвейеры.

Конвейер (pipeline) — последовательность соединенных между собой коннективистских систем (или фильтров), реализующих обработку потоков данных для решения поставленной Задачи g:

p=({cs},g,R!), (9)

где R' связи между коннективистскими системами. Без потери общности представим КС в виде пары: es — (esf, esb), где esf- — (cU, cL, cR, cQcsf ) — КС прямой обработки потока данных, esb = (cJ, са) — КС обратной обработки данных. Это позволит отделить процесс расчета выходных сигналов, как правило не затратного с точки зрения времени от процесса настройки моделей, напротив, требующих больших вычислительных усилий.

Онлайн конвейер — конвейер, включающий коннективистские системы, реализующие процесс прямого распространения сигнала. Оффлайн конвейер'— конвейер, включающий коннективистские системы, реализующие процесс обратного распространения сигнала.

Назначением оффлайн конвейера является настройка параметров онлайн конвейеров без влияния на скорость обработки данных в онлайн конвейере. Оффлайн конвейер может отсутствовать при отсутствии механизма адаптации (например, при обработке по правилам).

Для обозначения агрегированной абстракции, включающей онлайн и оффлайн конвейеры введем следующее определение. Двухуровневый конвейер — совокупность онлайн и оффлайн конвейеров и протокол их взаимодействия, обеспечивающих реализацию задачи.

Предложен метод синтеза онлайн и оффлайн конвейеров для обработки потоков данных.

1. Представить процедуры обработки потоков данных в виде последовательности коннективистских систем cs из коллекции сзс.

2.Представить каждую коннективистскую систему в виде КС прямого распространения данных csf для получения результата преобразования и csb КС обратного распространения (настройки параметров).

3. Сформировать онлайн конвейер обработки данных из последовательности КС прямого распространения: опР = {csfi}, i = 1, псз/.

4. Сформировать оффлайн конвейера обработки данных из последовательности КС обратного распространения: ofP = {csfy}, j = 1, тгсзь-

5. Установить связи КС обратного распространения с КС прямого распространения в соответствии с формализацией. ,

6. Выполнить начальную инициализацию параметров онлайн конвейера

(задать значения C0W, k = 1 ,пм). .

В третьей главе В третьей главе разработаны методы сбора, оценки качества данных и предварительной обработки данных с целью улучшения. Качество данных является ключевым фактором в процессе поддержки принятия решений. Выделены и классифицированы проблемы уровня данных, решение которых является критичным ко времени. Выделяются две конкретные научные проблемы: (i) несовершенство способов оценки качества данных в системах поддержки принятия решений; (ii) проблемы в реализации механизмов оценки качества данных и улучшения в режиме обработки потоков данных в реальном масштабе времени.

Методика сбора, оценки и обеспечения качества и предварительной обработки данных. Для реализации сбора, оценки и обеспечения качества и предварительной обработки данных предлагается методика, включающая: (i) выбор объектов для оценки и выбор стратегии улучшения данных, (ii) задание параметров, (iii) синтез механизмов оценки качества, (iv) запуск механизмов оценки качества, (v) запуск механизмов улучшения данных, (vi) генерация сертификатов качества. Стратегия оценки качества данных может быть одной из двух видов: (i) AD (automation detection)- автоматическая оценка качества данных в результате которой формируется сертификат качества данных (СКД); (ii) ADAM (automation detection and automation modification) — автоматическая оценка качества данных и выполнение процедур улучшения данных.

Введем следующие определения. Сертификат качества данных — отчет о пакете данных, содержащий количественные оценки показателей качества данных. Под улучшением данных понимается процесс приведения поступивших данных к структуре в соответствии с требованиями пользователя (метаданны-

ми). Пакет данных (package) - это множество записей, поступивших на обработку в систему в момент времени í^r, при этом txi tur, tUT — время измерения. Поток данных (data stream) — совокупность пакетов данных, поступление которых характеризуется параметром интенсивности поступления Л.

В процессе синтеза механизмов оценки качества данных и улучшения дан--ных, используется предлагаемый во второй главе вычислительный базис на основании коннективистских систем, а также конвейерный подход для синтеза механизмов обработки потоков данных. Генерация СКД и событий (уведомления пользователей) в результате функционирования механизмов оценки качества данных и улучшения данных осуществляется автоматически.

Формализованное представление потоков данных. Формализация даннвк выполнена в соответствии с характеристиками, принятыми в направлении исследований больших данных'. Представим данные в формате: ds = (tMT, {dij}), где tMT — значение временной метки (time-stamp) регистрации (измерения) данных (в некоторых случаях, генерируемое системой управления потоками данных), {di} — множество элементов данных (data item), представляющих собой кортеж значений атрибутов (diu di2,... din), характеризующих поведение объектов или внешней среды. Будем использовать определение фрейм данных (data frame) — тип структуры данных, представляющий собой матрицу, первый столбец которой соответствует временным меткам, остальные значения атрибутов в

данных временных метках: Y^ = jytWj, г = Т7р, t = гдер- число одномерных временных рядов. Вне зависимости от способа сбора данных (активного или пассивного) порция поступаемых данных может быть представлена в виде пакета данных.

Система сбалансированных показателей оценки качества данных. Предлагаемая система сбалансированных показателей качества данных, включает в

себя показатели четырех групп (индекс т — обозначение группы): Структурные: критерий соответствия структуре метаданных и критерий соответствия правилам целостности и непротиворечивости схеме данных, вычисление которых осуществляется по формулам:

д(1) = /1 - (*=*), п < т;. Д(1) Ä f Я», n < m; , 1Q)

\ 1,771 >71, ' \ 1,771 > П.

где п — число атрибутов, для которых имеются значения в полученном пакете, га — число атрибутов, указанных в метаданных для данного пакета; ña = — — нормализованное значение п, а — показатель степени, а > 1 и целое.

Семантические: критерий полноты данных — характеризует зависимость качества от числа пропусков и критерий достоверности данных — характеризует зависимость качества от числа выбросов в данных, рассчитывающиеся по формулам:

Л(2) [ 1,п < п„; лГ2) f_al,n<na;

д(' = i _I. - Л ; А(2) = < 7i°, па < п < т; И)

I т n+1■ [ 0,П>7П,

где па — число допустимых пропусков, П число пропусков (выбросов), 771 число ожидаемых (реальных) значений, нормализованное значение ñ° рассчитывается

по формуле ña — 1 — ( ).

Прагматические: критерий доступности данных,

где — разница между временем запроса и временем получения данных, 1а — доступное время ожидания (не должно превышать порог планирования) и критерий сложности преобразований данных в нужный формат, расчет которого осуществляется по формуле (11).

Временные критерии: своевременность поступления данных, своевременность измерения данных, расчет которых осуществляется.

Основным отличием предлагаемой структуры от показателей введенных ранее является следующее.

1. Все показатели качества имеют область изменения значений в интервале

[0; 1], где 0 соответствует наихудшему качеству, 1 — наилучшему.

2. При оценке качества и принятии решений о пригодности данных должны

выполнятся два условия баланса показателей:

- условие индивидуального качества: УД^' > е\\

- условие системного качества: ^ ^ > е2> гДе £1,62 — заданные пороговые значения (задаваемые при формировании требования к СППР).

Пропуском называется ситуация отсутствия значения, если разница между соседними временными метками превышает установленное число дискретных отсчетов т.

Следует выделить два типа выбросов. Под выбросами I типа понимаются наблюдения, которые настолько сильно отклоняются от других наблюдений, что возникают подозрения, что они были получены в результате работы другого механизма или в следствии нарушения целостности процедуры сбора и передачи информации или же работы оборудования. Если объект наблюдения имеет несколько режимов работы, то следует ввести определение выбросов II типа -это выбросы, характеризуемые изменением поведения объекта наблюдения или изменением режима (механизма).

В работе разработаны методы идентификации пропусков и выбросов в данных и восстановления данных.

Метод идентификации пропусков в данных, реализующий проверки двух типов: (¿) идентификация пропусков в текущем пакете и (и) идентификация пропусков на основе анализа времени поступления текущего пакета.

Методы идентификации выбросов в данных. Предложен оригинальный метод выявления выбросов I и II типов на основе прогнозирования ожидаемых значений. Метод базируется на принципах конвейерной обработки потоков данных и включает онлайн механизмы идентификации выбросов и оффлайн настройки механизмов. Метод использует модели краткосрочного прогнозирования наблюдаемой величины на основе исторических данных. Одновременно с получением очередного значения с сенсора х , формируется прогноз этого значения х. Оба этих значения передаются на вход механизма идентификации выбросов. Если наблюдаемая величина в потоке сен'сорных данных значительно отличается от прогнозной, т.е. ошибка между этими величинами превышает рассчитанный уровень для ошибки, то принимается решение о том, что наблюдаемая величина является выбросом I типа. В этом случае используется процедура идентификации выбросов II типа, проверяющая относится ли наблюдаемый выброс к кластеру со значениями отмаркированными как выбросы I и II типа. При идеи-

тификации выбросов формируются соответствующие сообщения пользователю

СИС/ТсМЫ.

Второй метод выявления выбросов I типа, основан на расчета медианных значений на коротких интервалах наблюдения (КИН). Осуществляется преобразование временного ряда в I временных рядов, где значения в каждом преобразованном временном ряде соответствуют показателям в конкретный момент времени (например для временной метки 00:15 для каждого КИН). Далее для каждого из преобразованных временных рядов рассчитывается медианное зна-™еи в соответствии с заданным порогом рассчитываются кандидаты на вы-

Метод улучшения данных посредством заполнения пропусков данных Для реализации восстановления пропусков на основании анализа подходов к заполнению пропусков в данных, представленных в виде временных рядов, был предложен оригинальный метод комбинирующий результаты заполнения пропусков различными моделями с учетом весов. рич^лив

Результаты применения методов представлены в таблице: Таблица 2. Обобщенные результаты применения методов

Метод Оценка качества Значение

Метод идентификации пропусков в данных % выявленных пропусков 100

Метод выявления выбросов I и II типов на основе прогнозирования ожидаемых значений F1 мера 0.967

Метод выявления выбросов I типа на основе расчета медианных значений на КИН. F1 мера 0.955 '

Метод улучшения данных посредством заполнения пропусков данных sMAPE [4; 6.7]%

Результаты тестирования показали, что предлагаемая концепция позволяет реализовывать предварительную обработку данных с достаточно высокой точностью и постоянной задержкой в обработке, несмотря на увеличение объема данных, поступаемых с течением времени. В среднем задержка в онлайн конвейере при обработке 20 первых пакетов составила lf}rst = 0.0021 и 20 последних /™si = 0.002. В то же время средняя задержка оффлайн конвейера возросла в 3.5 раза, с l°/Jst = 0.0166 до lfjt = 0.0597. Для других экспериментов средняя задержка онлайн обработчика составила 195 ticks, в то время как для оффлайн конвейера увеличился с 0.02 мс для первого пакета данных до 0.06 мс для 1681 пакета данных.

В четвертой главе предложен уникальный метод автоматической идентификации объекта управления на основе кластеризации наблюдаемых переменных на коротком интервале наблюдения. Идея метода заключается в формировании двух типов моделей: модель идентификации состояния поведения объекта на коротком интервале наблюдения и моделей идентификации поведения объектов в каждом из состояний. Выбор модели прогнозирования поведения осуществляется из коллекции коннективистских систем. Общий алгоритм

предлагаемого метода представлен схемой 1.

Algorithm 1: Алгоритм метода автоматического прогнозирования на основе идентификации поведения на КИН

Input: Фрейм данных Yj£'tk], idx — индекс временного ряда выходного

управляемого параметра, I — длина короткого интервала наблюдения, h — горизонт прогнозирования, п — число состояний;

Output: Y^' — прогнозные значения на интервале t! = [4+i,it+h-i]; i Выполнить анализ продолжительности наблюдений в Yjj^ ttj. з Выполнить прогнозирование базовой моделью.

3 Выполнить идентификацию состояний объекта на КИН и построить модель прогнозирования состояния.

4 for i <- 1 to п do

в |_ Реализовать метод идентификации поведения объекта для i - го состояния, в Выполнить выбор моделей на основе оценки ошибки прогнозирования на тестовой выборке.

г Выполнить прогноз на заданном горизонте h в два этапа: выполнить прогноз

состояния, выполнить прогноз поведения в рамках состояния 8 Отобразить результаты прогнозирования

Идентификация состояний объекта на коротких интервалах наблюдения заключается в разделении временного ряда выходной управляемой переменной на выборку, в которой каждая строка соответствует значениям прогнозируемой переменной на коротком интервале наблюдения (число значений соответствует длине интервала наблюдения) (схема алгоритма 2), или профилю поведения на КИН._

Algorithm 2: Алгоритм метода идентификации состояний на КИН_

Input: Фрейм данных idx — индекс временного ряда управляемой

переменной, I — дайна короткого интервала наблюдения, h — горизонт прогнозирования;

Output: да I ) — функция прогнозирования состояний объектов на

\ [*о lij-iJ ' / КИН, labels — временной ряд меток принадлежности кластеру;

1 Разбить выборку данных на d интервалов наблюдения и сформировать фрейм данных из выходных управляемых параметров, чтобы каждая строка фрейма данных содержала профиль поведения объекта на КИН.

2 Выполнить кластеризацию профилей поведения на КИН, т.е. найти функцию

для каждого короткого интервала наблюдения.

3 Построить граф состояний для которого рассчитать матрицу переходных вероятностей.

4 Построить модель прогнозирования состояний на горизонте прогнозирования состояний на следующем КИН на основе графа переходов, т.е.

fvW ПДЧ

После этого для множества полученных профилей поведения на коротких интервалах наблюдения осуществляется кластеризация. Таким образом «схожие» профили на КИН группируются в кластеры. В качестве моделей идент-фикации состояний использовались модели к - средних и MimBatchKMeans, для

которых задается число кластеров.

Рис. 6. Результаты кластеризации (а) исходных профилей потребления электроэнергии на КИН (с 00:00 до 23:45) для здания торгового центра, и (Ь) полученные средние профили методом fc-means для трех кластеров [18]

После получения множества состояний требуется решить проблему прогнозирования состояния на следующем КИН. Для этого разработан метод, основанный на поиске паттернов последовательностей значений состояний в выборке и расчете наиболее вероятного состояния на следующем КИН (алгоритм представлен на схеме 3).

Algorithm 3; Алгоритм метода прогнозирования состояний

Input: {ci[t0lti]} — временной ряд значений кластеров, w — размер окна, ru — число кластеров;

Output: clti+i — прогнозное значения кластеров на следующем КИН.

1 propability _array [0] * nd

2 pattern <— {d[tkltk-w\}, т.е. определить текущий паттерн, как последовательность значений {cli\, при этом последнее значение паттерна совпадает с последним значением {с^}, а размер паттерна определяется w.

3 for i ^ to to tk-vi do

4 current jpattern <r- {c/[iii+„,]}

s if pattern == current_pattern then

в I indx г

r |_ propability _array[indx] = provability_array[indx] + 1

8 ik+i — max(propability_array)

Следующим шагом осуществляется формирование модели прогнозирования для каждого из состояний (согласно алгоритму представленному на схеме 4). Для каждого из этих кластеров формируется прогнозная модель, использующая для настройки только ту выборку данных, которая ассоциирована с полученными кластерами.

Метод формирования прогнозной модели поведения объекта в рамках одного состояния осуществляет выбор коннективистских систем из коллекции КС. Алгоритм метода представлен на схеме 4. В работе предлагаются рекомендации по выбору модели из коллекции на основе анализа внешних параметров и дерева решений, а также по формированию входного множества параметров.

Выбор модели осуществляется на основании анализа оценок ошибок прогнозирования. Выл выполнен анализ и выделены следующие группы оценок

ошибок прогнозирования: абсолютные ошибки прогнозирования (Absolute), процентные ошибки прогнозирования (Percentage), симметричные ошибки прогнозирования (Symmetric), ошибки, основанные на оценке прогноза базовых моделей (Based on relative error), масштабированные ошибки прогнозирования (Scaled).

Algorithm 4: Алгоритм метода автоматического прогнозирования на основе идентификации поведения на КИН_

Input: Фрейм данных idx — индекс временного ряда целевой переменной, I,

— длина короткого интервала наблюдения, h — горизонт прогнозирования; Output: — прогнозное значения на интерцале t' = [t*+i,i*+ft-i]i

i Определить функцию потерь. .

а Сформировать выборки данных для г-го состояния из исходного фрейма данных и выделить обучающую и тестовую выборки данных.

3 Выполнить структурный синтез коннективистских систем для прогнозирования поведения для г-го состояния.

4 Выполнить структурную и параметрическую оптимизацию КС.

5 Выбрать оптимальную модель на основе оценки качества прогнозирования на тесовой выборке. __

Предложный метод была апробирован на ряде практических задач и его применение дает гарантированное снижение ошибки: для первого типа экспериментов в первом случае на 2,8 - 4,1%, во втором 14,9 - 17,4%; для второго типа экспериментов применение метода позволило снизить ошибку прогнозирования в среднем в 1,4 - 3,2 раза по сравнению с другими общеизвестными подходами автоматического прогнозирования.

В пятой главе разработаны оригинальные методики интеллектуальной поддержки при принятии корректирующих, предупреждающих управленческих решений на стадиях (^ инициации, (ц) планирования, (Ш) проверки и улучшения, а также формирования автоматических управляющих воздействий. В рамках методик предложены оригинальные методы, позволяющие автоматизировать операции лПг.

Методика поддержки реализации стадии инициации процесса постоянного улучшения. Стадия инициации процесса постоянного улучшения может выполняться впервые или быть инициацией следующей итерации цикла постоянного улучшения. В случае второго и последующих циклов пользователю предоставляется возможность редактирования формального описания объекта управления (например, при добавлении нового сенсора в систему) и редактировании политики управления (в случае формирования рекомендаций на стадии улучшения).

Методика включает выполнение следующих шагов: (1) формализация объектов управления, (п) задание политики управления. Приведены особенности формализации информации в нечетком виде. Данный шаг является важным с точки зрения формирования структуры описания объекта и требует высокой профессиональной компетенции и зрелости ЛП'Р.

Методика интеллектуальной поддержки принятия управленческих решений на стадии планирования в цикле постоянного улучшения. Предлагается методика интеллектуальной поддержки этапов реализации стадии планирования, на основе методов интеллектуальной обработки данных. Методика реализует следующие процедуры. *

Анализ и визуализация данных о поведении объекта включает процедуру формирования структурированной информации об объекте управления

тРА ^(рд+), » в которой пользователем задаются параметры запроса

РЧ+ над выборкой данных процедуру автоматической генерации отче-

тов об объектах управления тРЯв ((о1+), (герМ)), при реализации которой, от пользователя требуется осуществить выбор списка объектов управления о1 и число отчетов герМ соответствует числу выбранных объектов, р = ад процедуру автоматической генерации отчетов о качестве данных объектов управления: тРОСтв ((о1+), (цгер(р>)), в которой ЛПР указывается список анализируемых объектов о1.

Метод синтеза модели прогнозирования объектов использует метод автоматической идентификации объекта, описанный в главе 4 и включает: (1) процедуру задания списка объектов для формирования прогнозной модели тРОБ ((о!+), (о1)) , в рамках которой ЛПР предоставляется интерфейс для выбора объектов; (И) процедуру задания списка параметров для формирования прогнозной модели тРРМР ((Ь+), (Ь)) , где ЛПР осуществляется ввод параметра горизонта прогнозирования к для каждого объекта и (ш) процедуру тРРМР ((оР, У), вЬ^М)) генерации прогнозной модели и формирования прогнозов и получения статистических характеристик Если процедура реализуется на второй или последующих итерациях цикла ПУ, то целесообразно, после построение новой модели прогнозирования, осуществить сравнение с имеющейся моделью и принять решение о применении лучшей модели на основе анализа значений оценок ошибок прогнозирования.

Метод формирования базиса на основе выделения типовых профилей поведения объектов на КИН в автоматическом режиме, включает: (¡) процедуру (необязательную) определения периода расчета базисных значений

тРВР ((г^, рЬ+), где р1+ — заданный период определения базисных значений и (ц) автоматическую процедуру расчета базисных значений тРВ ((Я^рР*), (В^А,]))' использующую алгоритм прогнозирования состояний поведения объектов на коротких интервалах наблюдения. Для каждого состояния в прошлом рассчитывается усредненный профиль, полученный как множество средних значений целевого выходного параметра для данного состояния.

Задание показателей результативности осуществляется процедурой т,РКР1 ((р1, КР1Нэ<;, грк+), (грк)). Выбор показателей результативности грк происходит из списка KPIlist альтернативных вариантов трех групп: абсолютные (интегральные абсолютные на временном интервале [г;£'], абсолютные нормализованные 1-го, 2-го типов), относительные (относительно периода в прошлом, относительно базового уровня) и комбинированные (линейная комбинация абсолютных параметров). Так Ур1и г = 1, тгри 3грк : ри®КР1Ш^. В случае необходимости выбираются параметры нормализации или период нормализации. По умолчанию период нормализации совпадает с длиной КИН I

Метод формирования целей ¡) на основе заданной политики управ-

ления осуществляется в автоматическом" режиме выполнением процедуры

тРО ((ВМ*]> П> ^Ен,*^)' РаСЧеТ ЗёиА,]) осуществляется двумя способами: пропорциональным для каждого КИН и линейным, при котором целе-

вые значения линейно возрастают/убывают на горизонте планирования.

Поддержка принятия решений на этапе планирования осуществляется посредством выбора или корректировки сценариев управленческих решений для достижения сформулированных целей. Под сценарием будем понимать последовательность действий, которая должна привести к решению возникшей проблемы. Формально сценарий описывается как кортеж вида sc = ({op¿} , R), где {opi] — множество операций, R — множество отношений между операциями, задающее последовательность выполнения. Множество возможных сценариев представляют собой множество вариантов решения. Для каждого объекта реализовать процедуру mPDS ((ese, z[^tjt], Q^í^p DT), (scifj , выполнение которой включает генерацию возможных вариантов плановых управленческих решений (сценарии) sc как последовательности операций в соответствии с имеющимся в системе деревом решений DT и предоставление пользователю выбора оптимального (sc¿). Для реализации процедуры генерации сценариев предварительно должна быть выполнена процедура генерации дерева решений DT. В работе приведен алгоритм формирования дерева решений DT посредством диалога с пользователем.

Методика интеллектуальной поддержки принятия корректирующих и предупреждающих решений на стадии проверки в цикле непрерывного улучшения. Для реализации поддержки принятия управленческих решений на стадии проверки предлагается методика, реализация которой предусматривается для каждого объекта. Методика учитывает реализацию трех процессов: реактивного процесса, при котором осуществляется идентификация несоответствий и реализуется принятие корректирующих решений при наступлении события, требующего вмешательства ЛПР; проактивного процесса, в рамках которого осуществляется идентификация проактивной ситуации и формирование предупреждающих действий и автоматического процесса, при котором формирование решений осуществляется автоматически.

Интеллектуальная поддержка принятия корректирующих решений включает следующие методы. Метод автоматического определения несоответствий для реализации реактивных процессов, заключается в определении отклонения фактических значений от базисных на коротком интервале наблюдения. Метод реализуется процедурой mCDS ((Z^p В^), (event)^j выполнение которой заключается в проверке превышения отклонения заданного порога на e¡>. В случае успеха генерируется событие event о несоответствии и осуществляется реализация процедуры поддержки принятия корректирующих управленческих решений.

Поддержка принятия корректирующих (оперативных) решений аналогична описанной на стадии планирования. Для каждого объекта реализуется процедура: mDS ((ese, Z^u],Q^lh+h],DT, event), (scí)^, где ese - сценарий реализуемый на этапе планирования, DT — дерево решений, scí — выбранный сценарий. Если пользователь не принимает никаких действий, то в качестве управляющего воздействия принимается set = 0.

Интеллектуальная поддержка принятия проактивных решений базируется на теории проактивных вычислений, основанных на событиях (proactive event-based calculation, PEDC), в основе которой лежит концепция 'обнаружить - спрогнозировать - решить - действовать' (Detect-Foreeast-Deáde-Act, DPDA).

Введем следующие определения. Событие (event), е — некоторый индикатор, характеризующий смену состояний объекта. Паттерн события (event

pattern), 7Tt — совокупность значений выходов и входов зафиксированных в момент времени t, характеризующих возникновение события e¿ в момент времени t с вероятностью P(eit t). Проактивная ситуация (proactive situation) — прогнозируемое неблагоприятное с точки зрения функции потерь состояние (т.е. прогнозируемое состояние в котором ожидается возникновение несоответствий).

В методике используются реализации алгоритмов следующих методов: (i) синтез прогнозной модели объекта 'управления в пространстве состояний; (ii) гп1петр™еапр0активн0й ситуации; (ш) под держка принятия предупреждающе-

Синтез проактивной модели объекта реализуется процедурой вида:

mPA/((Zgík]),(mnp)), в основе которой лежит алгоритм синтеза модели прогнозирования состояний объекта на основе кластеризации профилей поведения на КИН. В результате формируется тпр — граф состояний с переходами между ними.

Выявление проактивной ситуации осуществляется процедурой вида:

mPSD ((Zgtt], тпр, h+), (v, event)) .

В качестве алгоритма прогнозирования состояний используется алгоритм описанный в 4 главе, формирующий прогнозные состояния поведения объекта на h+ КИН вперед. В результате функционирования алгоритма формируется последовательность прогнозных состояний V = {г>;},г = 1 ,/г+. Для данной последовательности рассчитываются значения показателей результативности и определяются состояния, в которых возникают несоответствия, т.е. выявлены проактивные ситуации. Для расчета несоответствия реализуется метод выявления несоответствий. Если в последовательности V имеются проактивные ситуации, то генерируется сообщение JIITP о необходимости формирования предупреждающих действий, т.е. event = True. Если существует информация о принятых в прошлом решениях, то на основании алгоритма идентификации состояний можно определить условную вероятность перехода из одного состояния в другое при том или ином воздействии. На рисунке 7 представлен пример графа состояний, дополненный входными управляющими воздействиями.

Поддержка принятия предупреждающих решений аналогична методике описанной ранее, для которой реализуется процедура:

mPDS ({ese, Zjf^, Q[¿tt+f], DT, event), {sa)j , где ese - сценарий реализуемый на этапе планирования, DT — дерево решений, se¿ — выбранный сценарий. Ьсли пользователь не принимает никаких действий, то в качестве управляющего воздействия принимается sej = 0.

Если имеется граф состояний, дополненный внешними управляющими воздействиями, то формирование sc¿ можно выполнить поиском входных управляющих воздействий, переводящих в наиболее благоприятное (с точки зрения показателей результативности) состояние.

Метод формирования автоматических управляющих решений на основе прогнозирующих моделей включает реализацию следующих процедур:

Рис. 7. Пример графа состояний, тг — паттерн состояния (входное управляющее воздействие), 0 — отсутствие действия

1. синтез прогнозной модели объекта управления в пространстве состояний;

2. формирование прогноза на заданном горизонте управления hc\

3. генерация последовательности автоматических управляющих решений на заданном горизонте управления hc;

4. оценка показателей результативности объекта при различных управляющих решениях;

5. выбор оптимальной (с позиции максимизации частной полезности объекта) на заданном горизонте управления hc.

Генерация последовательности автоматических управляющих решений на заданном горизонте управления hc осуществляется следующей процедурой

mPDS kpi (zjf^,, u) , u), (asc,-)). В основу процедуры положен метод

формирования последовательности ascj из значений множества управляющих воздействий и генетическим алгоритмом.

Применение генетического алгоритма имеет большое преимущество при определении точки глобального минимума функционала оптимизации, так как количество возможных решений может быть велико для вычисления другими методами.

Принципы интеллектуальной поддержки принятия решении на этапе улучшения. На этапе улучшения решаются две важные задачи: (i) реализуется проверка проведенных мероприятий на соответствие внутренним стандартам, (ii) реализуется обратная связь оценки моделей и методов интеллектуальной поддержки принятия решений и (iii) осуществляется поддержка принятия решений по улучшению. '

Процедуру проверки соответствия политики управления внутренним стандартам компании представим в виде: mlPSC ((sc, std+), (res)) . В данном случае sei — выбранный сценарий, std+ представляет описание стандартов компании, а res — результат соответствия {true, false}.

Процедура реализации обратной связи в общем виде представляется mAFB ((pds, marks+), (rm)), где pds — список методов поддержки принятия решений, использующих интеллектуальный анализ данных, множество оценок, формируемых ЛПР для каждого из метода: Vpdsj, i = 1, npds, Эrmy : marksj pdsi, где marks j определяется на шкале [0; 10], при этом 0 означает, что метод некорректен или не используется, 10 — метод корректен. Промежуточные значения показывают степень пригодности метода для принятия решений с позиции ЛПР.

Поддержка принятия решений по улучшению реализуется процедурой mAI r(Z^it],Q^tfc+)il,rm)),(isci)) , где isct один из следующих сценариев: (i) переход на стадию Инициации нового цикла постоянного улучшения с целью пересмотра политики управления, а следовательно и целей (при возникновении значительного отклонения текущих значений выходной управляемой величины); (ii) формирование отчета о необходимости пересмотра системы сбора данных (при низких показателях критериев качества данных); (iii) формирование отчета о необходимости модификации механизмов интеллектуальной обработки данных (при отклонении прогнозных значений, сформированных моделью, от фактически поступивших данных).

Для оценки качества предлагаемой методики предлагается комплексный

показатель: Q» = ц • £Li (yelf) + и ■ (qf) + А • £Li (int?) , где vel — скорость обработки данных (пакеты/ед. времени) в процессе поддержки

принятия решений, q — нормализованный показатель качества результатов алгоритмов обработки данных, int — интерпретируемость результатов обработки данных.

Концептуальная структура интеллектуальной СППР на основе интеллектуального анализа данных На основе анализа общих принципов построения и структур систем поддержки принятия решений и их применения в управлении в цикле ПУ, предлагается следующая концептуальная структура интеллектуальной СППР, для которой выделены компоненты с объектами и их методами (Application Program Interface, API).

Для описания технологического стека концептуальной структуры воспользуемся концепцией представления программного обеспечения в виде слоев (layers). Выделим следующие слои:

Data Source Layer — слой источников данных: внесистемный слой, включающий устройства сбора передачи данных, внешних поставщиков данных;

VI Layer — слой представления или М2Н -М2М интерфейсов: слой включающий компоненты реализации интерфейсов взаимодействия с пользователем (М2Н, machine-to-human interface) и/или взаимодействия с внешними сервисами или актуаторами (М2М, machine-to-machine interface);

Business Layer — слой бизнес логики приложения, на котором реализуются все методы поддержки принятия решений;

Data Layer — слой реализации механизмов ETL и хранения данных.

На рисунке 8 представлена диаграмма технологического стека интеллектуальной СППР, отвечающая требованиям и реализующая представленные уровни.

В шестой главе представлены результаты апробации методологии на примере различных предметных областей.

Поддержка принятия управленческих решений в системах энергетического менеджмента зданий с системами климат контроля. В результате выполненных натурных и модельных экспериментов, внедрения программного обеспечения (для более чем 3000 зданий в Бельгии и Голландии) можно сформулировать главный вывод свидетельствующий о повышении энергетической результативности за счет использования интеллектуальной поддержки принятия решений в цикле постоянного улучшения на 5 - 20% в зависимости от типа зданий. Сформулируем основные выводы применения методологии в данной предметной области.

1. Разработанные подходы позволяют оценивать эффективность системы управления в цикле ПУ на основании показателей энергетической результативности, а принятие решения по техническому обслуживанию может предотвратить дальнейшую потерю энергии. Внедрение систем, реализующих стадии цикла постоянного улучшения, способно привести к сокращению потребления электроэнергии на 10 - 15% за счет изменения отношения к потреблению энергии.

2. Показано, что с использованием предложенных подходов в коммерческих зданиях, повышение эффективности достигает 20% (за счет сокращения затрат на электроэнергию и газ). Например, если для здания площадью 3000 м2, для которого расходы на потребление электроэнергии составляют 800 000 рублей в год, эксплуатационные расходы на автоматизированную систему составляют 80 000 рублей в год, а инвестиции на внедрение мероприятий по усовершенствованию объекта управления 100 000 рублей, то окупаемость инвестиций составит 1 год.

3. Применение разработанных методов автоматического управления системами климат контроля (СКК) в рамках предложенной методологии способно привести к повышению эффективности принятия решений в системах энергетического менеджмента, где потенциал повышения энергоэффективности состав-

Клиент

Мобильный клиент

Компоненты автоматического управления

Ядро интеллектуальной обработки данных

Ядро поддержки принятия решений

юй хранения данных;

ступа «данным

Метаданные

Хранилище дэнн

Сенсоры

шш^Лщ Ядро обработки

РШШш реального времени

Внешние веб сервисы

Актуаторы

-Слой внешних источников даниых-

Рис. 8. Диаграмма технологического стека (четыре уровня); пунктиром обозначена граница системы

ляет ~ 17% (для зданий средней площадью в 3000 м2).

4. Установка системы, реализующая автоматические управления СКК, в 2012 году позволила сэкономить 56 000 руб. или 22% от ежегодного потребления газа в здании. Экономически целесообразно внедрение системы в торговых и офисных зданиях, которые занимают 27% и 17% нежилых фондов соответственно.

Управление гибридными энергетическими системами с возобновляемыми источниками энергии. Применение методологии было направлено на решение проблемы создания эффективных механизмов' автоматического принятия решений по формированию стратегий управления гибридными энергетическими системами.

По результатам проведенных испытаний можно сформулировать главный вывод о повышении эффективности управления ГЭнС до ~13% на основе методологии, предложенной в работе. Сформулируем основные выводы.

1. При моделировании гибридной энергетической системы можно осуществлять поиск оптимальной конфигурации и числа солнечных панелей, для минимизации затрат на приобретение панелей и на оплату электроэнергии.

2. Повышение эффективности достигается за счет экономии затрат на электроэнергию (для типового офисного здания), которая может достигать 13% на рассматриваемых объектах.

Экономическая эффективность спроектированной гибридной энергетической системы рассчитывается через сокращение затрат на электроэнергию и общую стоимость системы по формуле: Е = где 3 — затраты на электро-

энергию с применением метода автоматического управления на основе прогнозирования; — затраты на электроэнергию без применения разработанного метода управления; С — общая стоимость разработанной энергетической системы.

Поддержка принятия решений при управлении социально-экономическими объектами. Проблема управления социально-экономическим развитием сети муниципальных образований является актуальной для устойчивого развития регионов России. В рамках разработанной методологии был применен метод автоматической идентификации объектов на основе кластеризации. Отдельной интересной задачей для анализа являлась задача анализа объектов, входящих каждую из групп.

В качестве главного вывода следует отметить, что в области где отсутствовала какая либо система автоматизации была реализована поддержка стадии инициации в рамках предложенной методологии. В результате получено формальное описание объектов управления, что позволяет повысить в несколько раз эффективность сбора и формирования сводного отчета (до 16 на ряде паспортов: время формирования сводного отчета сокращается от в среднем 16 часов до 1 часа). В связи с этим целесообразно говорить о повышении эффективности при поддержки принятия управленческих решений развития социально-экономических образований. Кроме этого был сформирован технический проект с описанием требований к автоматизированной системе позволяющей осуществлять сбор и отображение информации о муниципальных образований как о потенциальных инвестиционных площадках.

Поддержка принятия решения по управлению состояниями автомобильных дорог. Исследования по реализации поддержки принятия решения по управлению состояниями автомобильных дорог выполнялись с 2002 года, совместно с ВолгГАСУ, д.т.н. Боровиком В.С, д.т.н., Скоробогатченко Д.А.. В настоящее время для принятия обоснованных управленческих решений в дорожнострои-тельном секторе необходима эффективная система прогнозирования эксплуатационного состояния автомобильных дорог (ЭС АД) с учетом внешнего транс-портноклиматического воздействия и дорожных работ.

Главным результатом применения методологии является разработка методов интеллектуальной поддержки в области управления транспортно-экс-плуатационным состоянием автомобильных дорог и автоматизированной системе на ее базе, что в свою очередь привело к повышению эффективности управления:

1. Практические расчеты с применением системы показали, что управление эксплуатационным состоянием с применением предложенных подходов будет способствовать получению экономического эффекта, т.к. имеется возможность достижения заданного эксплуатационного состояния с меньшими затратами средств в сравнении с существующей практикой определения мест, видов и объемов работ. Экономическая эффективность данного направления составляет порядка 23 % в сравнении с действующей практикой.

2. Применение АСУ позволяет при существующих объемах финансирования работ по содержанию повысить уровень эксплуатационного состояния автомобильных дорог в среднем на 7 %. Таким образом, можно сделать вывод о повышении эффективности управления процессом содержания автомобильных дорог на основе использования предлагаемой системы поддержки принятия решений в сравнении с существующей практикой технико-экономического обоснования работ по содержанию.

3. Расчетная экономия средств на примере содержания автомобильных дорог при внедрении разработанной системы поддержки принятия решений составляет более 20 % в сравнении с действующей практикой определения мест

видов и объемов дорожных работ (до 200 тыс. рублей на один километр дороги).

4. Следует отметить, что результаты, получены при решении задачи с шагом дискретизации и периодом принятия решения равному одному году. При моделировании управления в котором (¡) частота дискретизации, а следовательно и частота принятия корректирующих решений на стадии проверки увеличивается до одного квартала, и (и) производится включение в цикл постоянного улучшения пересмотра политики управления (т.е. реализуется структура процессов поддержки принятия решений на всем цикле), существует потенциал повышения эффективности управления (до 7%).

В заключении приводятся основные результаты, полученные автором в диссертационном исследовании.

Основные результаты и выводы

Главным результатом работы являются теоретические основы интеллектуальной поддержки при принятии управленческих решений, повышающие эффективность управления в цикле постоянного улучшения, что позволяет сделать вывод о достижении поставленной цели. Основные результаты, в которых отражена научная новизна и практическая ценность диссертационной работы, заключаются в следующем.

1. Проведен системный анализ структур процессов принятия управленческих решений в цикле постоянного улучшения в различных областях, позволяющий выявить структурные и функциональные связи; выполнена классификация проблем при реализации поддержки и сформулированы требования к системам поддержки принятия решения на основе интеллектуальной обработки данных.

2. Разработана методология интеллектуальной поддержки принятия управленческих решений в цикле постоянного улучшения, включающая в себя: структуру процессов принятия управленческих решений при реализации управления объектами в цикле постоянного улучшения, компоненты синтеза механизмов интеллектуальной обработки данных, методы сбора, оценки и обеспечения качества данных для поддержки принятия решений, метод автоматической идентификации объекта управления на основе интеллектуальной обработки данных, методики поддержки принятия корректирующих, предупреждающих и автоматических решений на всех стадиях цикла постоянного улучшения, концептуальная структура иерархической и распределенной системы поддержки принятия решений.

3. Разработаны методы сбора, оценки качества данных и предварительной обработки данных, включающие в себя: систему сбалансированных показателей оценки качества данных, состоящую из критериев четырех групп; метод идентификации пропусков в данных на основе проверок двух типов; два метода, позволяющих идентифицировать выбросы в данных с высокой точностью, полнотой и достоверностью; разработан метод улучшения данных, использующий метод автоматического заполнения пропусков, комбинирующий результаты заполнения пропусков различными моделями с учетом весов.

4. Предложен метод автоматической идентификации объекта управления на основе идентификации поведения на коротком интервале наблюдения, в рамках которого разработаны алгоритмы идентификации состояния объекта на КИН, прогнозирования состояния, идентификации поведения для каждого состояния.

5. Предложены методики интеллектуальной поддержки при принятии управленческих решений на стадиях цикла постоянного улучшения: методика поддержки реализации стадии инициации процесса постоянного улучшения, в рамках которой предложен алгоритм задания политики управления; методика интеллектуальной поддержки принятия управленческих решений на стадии пла-

нирования в цикле постоянного улучшения, реализующая (¡) метод автоматического формирования базиса на основе выделения типовых профилей поведения объектов на КИН, (п) метод формирования целей на основе заданной политики управления; методика интеллектуальной поддержки принятия корректирующих и предупреждающих решений на стадии проверки в цикле непрерывного' улучшения, в рамках которой реализуются процедуры обеспечения выполнения трех процессов поддержки принятия решений: реактивного, проактивного и автоматического. ' р

6. Разработана концептуальная структура системы поддержки принятия решений, реализующая методы интеллектуальной обработки данных для которой выделены: слой источников данных, слой' представления, слой бизнес логики приложения, слой хранения данных.

7. Обоснована эффективность предлагаемых теоретических положений при реализации в системах поддержки принятия решений в цикле постоянного улучшения (на примере четырех предметных областей), что подтверждается актами

Основные публикации по теме диссертации

Статьи в изданиях, рекомендованных ВАК

1. Май, Т.Н. Моделирование и оптимизация управления интеллектуальной гибридной энергосистемой с источниками возобновляемой энергии' / Т.Н. Май, М.В. Ха, В.А. Камаев M B. Щербаков, К.Т. Винь // Управление большими системами : электрон, сб науч тр' 293-309 ПР°бЛеМ управления им' ВЛ- Трапезникова РАН. - 2013. - № 46 (ноябрь). - С.

2. Щербаков, М В. Двухпроцессная импульсная нейронная сеть для обработки потоков данных / М.В. Щербаков Д.А. Скоробогатченко, А.Х. Чан, Н.Л. Щербакова // Наукоёмкие технологии. - 2013. - Т. 14, X» 12. - С. 71-74. '

3. Май, Т.Н. Мультиагентный метод управления энергопотоками в гибридной энергосистеме систочниками возобновляемой энергии / Т.Н. Май, В.А. Камаев, М.В. Щербаков, Ч.Х. Тхэ // Прикаспийский журнал: управление и высокие технологии. - 2013. - № 2. - С 30-41

4. Маркин, А.В. Метод автоматического восстановления значений в потоках данных на основе взвешенной модели / А.В. Маркин, М.В. Щербаков // Прикаспийский журнал: управление и высокие технологии. - 2013. - № 3. - С. 49-54

Hfp°aK0B> , А Survey of Forecast Еггог Measures / М.В. Щербаков, А. Бребельс, Н Л Щербакова А.П. Тюков, Т.А. Яновский, В.А. Камаев // World Applied Sciences Journal.

- ¿013. - Vol. 24 . - С. 171-176.

6. Яновский, Т.А. Automatic Identification of Repeating Energy Consumption Profiles / ТЛ ~=ки?> M.B. Щербаков, В.А. Камаев, А.Г. Яновский // World Applied Sciences Journal.

- 2013. - Vol. 24 . - С. 68-73.

7' TTiM'11 ^а1, ^^е Based Building Energy Management System: Solution Concept / A.П. Тюков, А. Ушаков, М.В. Щербаков, А. Бребельс, В.А. Камаев // World Applied Sciences Journal. - 2013. - Vol. 24 . - C. 183-190

8. Маланина, Д.О. Solar Energy System Design and Feasibility Study Support System /ДО Маланина, А П. Тюков, М.В. Щербаков, В.А. Камаев // World Applied Sciences Journal. -¿013, - Vol. 24 . - С. 117-125.

9. Май, Т.Н. Управление гибридной энергосистемой на основе правил/ Т.Н. Май В А Камаев, К.Т. Винь, М. В. Щербаков, М.В. Ха // Известия ВолгГТУ. Серия «Актуальные П2^еЮ1упр?Ш1е?ия> вычислительной техники и информатики в технических системах».

- 2013. - № 22 (125). - С. 106-113.

10. Камаев, В.А. Using connectionist systems for electric energy consumption forecasting in shopping centers / В.А. Камаев, М.В. Щербаков, Д.П. Панченко, Н.Л. Щербакова А Бребельс // Automation and Remote Control. - 2012. - Vol. 73, № 6. - С. 1075-1084.

11. Щербаков, М.В. Коннективистские модели идентификации динамики систем на коротких интервалах наблюдения с заданным множеством классов поведения / М.В. Щербаков,

ЩеРбакова> ил- Козлов, В.А. Камаев // Известия ЮФУ. Технические науки. - 2012.'

- Л® 1. - С. 83-91.

12. Щербаков, M.B. Методика решения задачи идентификации динамики систем на коротких интервалах наблюдения с применением коннективистских моделей / М.В. Щербаков, В.А. Камаев, H.JI. Щербакова // Известия ЮФУ. Технические науки. - 2012. - № 1. - С. 72-77.

13. Яновский, Т.А. Методика предварительного анализа данных в автоматизированных системах прогнозирования потребления электроэнергии / Т.А. Яновский, М.В. Щербаков // Вестник компьютерных и информационных технологий. - 2012. - № 3. - С. 21-26.

14. Тюков, А.П. Концепция супервизорного управления отоплением в коммерческих зданиях с использованием прогнозирующих моделей / А.П. Тюков, В.А. Камаев, М.В. Щербаков // Прикаспийский журнал: управление и высокие технологии. - 2012. - Xs 3. - С. 71-76.

15. Камаев, В.А. Разработка методики прогнозирования социально-экономических параметров муниципальных образований / В.А. Камаев, A.C. Аль-Катабери, М.В. Щербаков // Вестник Брянского государственного технического университета. - 2012. - № 1. - С. 146-151.

16. Май, Т.Н. Обзор подходов к идентификации видов деятельности человека в задачах оптимизации потребления электроэнергии / Т.Н. Май, В.А. Камаев, М.В. Щербаков, А.П. Тюков // Известия ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в технических системах». - 2012. - № 10 (97). - С. 97-101.

17. Щербаков, М.В. Методика выбора значимых параметров для краткосрочного прогнозирования энергопотребления / М.В. Щербаков, Н.Л. Щербакова, А. Бребельс // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". - 2010. - № 11. - С. 68-71.

18. Щербаков, М.В. Применение эволюционных коннективистских моделей идентификации состояний динамики систем для решения задачи прогнозирования потребления электроэнергии в автоматическом режиме / М.В. Щербаков, И.П. Козлов, Н.Л. Щербакова // Прикаспийский журнал: управление и высокие технологии. - 2011. - № 4. - С. 70-75.

19. Камаев, В.А. Интеллектуальные системы автоматизации управления энергосбережением / В.А. Камаев, М.В. Щербаков, А. Бребельс // Открытое образование. - 2011. - № 2. - С. 227-231.

20. Щербаков, М.В. Методика выявления потенциала энергосбережения на основе интеллектуального анализа данных / М.В. Щербаков, Т.А. Яновский, А. Бребельс, Н.Л. Щербакова // Прикаспийский журнал: управление и высокие технологии. - 2011. - № 2. - С. 51-55.

21. Аль-Катабери, A.C. Методика прогнозирования социально-экономических показателей сети муниципальных образований на основе эволюционных коннективистских моделей / A.C. Аль-Катабери, В.А. Камаев, М.В.. Щербаков // Прикаспийский журнал: управление и высокие технологии. - 2011. - № 4. - С. 40-45.

22. Аль-Катабери, A.C. Формализация сети муниципальных образований для решения задач прогнозирования социально-экономического развития / A.C. Аль-Катабери, В.А. Камаев, М.В. Щербаков // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". - 2011. - № 11. - С. 70-73.

23. Щербаков, М.В. Проблемы проектирования систем прогнозирования эксплуатационного состояния автомобильных дорог на основе нечётких нёйронных сетей / М.В. Щербаков, Д.А. Скоробогатченко, A.A. Авдеев, М.А. Аль-Гунаид // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". - 2011. - № 3. - С. 82-87.

24. Щербаков, М.В. Оптимизация управленческих решений в организационно-хозяйственных системах автодорожного комплекса с использованием моделей интеллектуального анализа данных / М.В. Щербаков, Д.А. Скоробогатченко // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". - - 2011. - № 11. - С. 66-69.

25. Камаев, В.А. Абдукция в концептуальном проектировании, когнитивном моделировании и интеллектуальном анализе данных / В.А. Камаев, М.В. Щербаков // Открытое образование. - 2011. - № 2. - С. 62-67.

26. Камаев, В.А. Применение нечётких нейросетевых моделей для идентификации состояния автомобильных дорог / В.А. Камаев, М.В. Щербаков, Д.А. Скоробогатченко // Вестник компьютерных и информационных технологий. - 2010. - № 12. - С. 36-41.

27. Камаев, В.А. Анализ социально-экономического развития муниципальных образований на примере Волгоградской области с использованием моделей data mining / В.А. Камаев, М.В. Щербаков, A.C. Ал^Катабери // Изв. ВолгГТУ. Серия "Актуальные проблемы

упрамения^вычислительной техники и информатики в технических системах". - 2010. -

28 ní^^aK0B' М'В' СпеЧиФика применения интеллектуальных моделей анализа данных для повышения энергетической эффективности / М.В. Щербаков, Н.Л. Щербаков^ Д П П»

13. БребеЛЬС' АЛ' ТЮК°В' М'А- ^ь-ГУ^ВД // Изв. ВолгГТУ Серия "Актуальные проблемы зшравления^вычислительной техники и информатики в технических сиТтем ™

29. Щербаков, М.В. ICDMS-программное обеспечение как сервис для решения задач иден-

™к™с™ / М.В. Щербаков //известия Во™. r^eá^TJJ^S Т6™ И -ФОР— в

30. Щербаков, М.В. Сравнение моделей аппроксимации безразмерной радиальной скорости течения жвдкостей во вращающихся криволинейных каналах / М.В. Щербаков Н Л Е

СерИЯ "AKT^bHMe проблемы управления, вычислительной техники и информатики в технических системах". - Волгоград, 2007. - Вып 2 №2 - С 24-25 •Я. Камаев, В.А. Автоматизированная система прогнозирования транспорта - эксплуатационного состояния дорог / В.А. Камаев, М.В. Щербаков, Д.В. Скоробогатченко // Вестник компьютерных и информационных технологий. - 2004. - №4 - С 2-6 32 Камаев В.А. 06 одном нейросетевом подходе к идентификации сложных систем / В.А. Камаев^М.В. Щербаков // Вестник компьютерных и информационных технологий. - 2004.

33'о^Я1Ц/В,лАл-^Рг°ёп0518^Г complications after reconstructive surgeries on the aorto-iliac

ШМ. ^4. a 9 1™' П3- М°ЗГ0В0Й' Д'В- ФР°Л0В' М'В- Щербаков // KhiruSa -Научные публикации в иностранных источниках

34. Shcherbakov, М. MapReduce-'based algorithms for outlier detection in energy data / M

Shcherbakov, A. T>ukov // Multi Conference on Computer Science and Information Systems

Proceedings of tbe iadis internationai

3o. Shcherbakov, M. Lean Data Science Research Life Cycle: A Concept for Data Anal™* Software Development / M. Shcherbakov, N. Shcherbakova, АBrebelsT Jano4kf V Kamaev // Knowledge-Based Software Engineering Communications in Computer and Information Science Volume. - 2014. - Vol. 466. - pp 708-716

36. Tyulkina, E. Evaluation of Interaction Level between Potential Drug and Protein by

Hydrogen Bond Energy Calculation / E. Tyulkina, P. Vassiliev, T. Janovsky, M. Shcherbakov

WnÜfvíS®'"Bas0ed Software Engineering Communications in Computer and Information Science Volume. - 2014. - Vol. 466. - pp. 542-555.

37. Shcherbakov, M Automated Electric Energy Consumption Forecasting System Based On Decision TVee Approach / M. Shcherbakov, N. Shcherbakova, V. Kamaev // 7th IFAC Conference on Manufacturing Modelling, Management, and Control, MIM 2013 Saint

38 КьЖ д' Juner19-21 2013 : IFÁC Proceedings Volumes . - 2013. - pp. 1027-1032

38. Shcherbakov, M. An on-lme and off-line pipeline-base! architecture of the system for gaps and outlier detection in energy data stream / M. Shcherbakov, Y. Timofeev, A. Saprykin V Trushm, A. Tyukov, N. Shchcrbakova, V. Kamaev, A. Brebels // 2013 IEEE Third Eastern European Regional Conference on. the Engineering of Computer Based Systems (Budapest, Hungary, Aug. 29th-30th 2013) . - 2013. - pp. 1-7. '

39. Shcherbakov, M. A pipeline-based data stream mining system for outlier detection in evolving streams / M. Shcherbakov, Y. Timofeev, A. Saprykin, V. Trushin, A. Tyukov, V. Kamaev // Multi Conference on Computer Science and Information Systems (Prague, Czech Republic, July 23-26, 2013) : Proceedings of the IADIS International Conference Intelligent Systems and Agents . - 2013. - pp. 84-88.

40. Owoeye D A photovoltaic output backcast and forecast method based on cloud cover and

и vfl опД/ « °WOeye' M- Shcherbakov- V. Kamaev // Power and Energy Systems (AsiaPES 2013) .- Proceedings of the LASTED International Conference (April 10-12 2013 Phuket, Thailand). - 2013. - pp. 28-31.

41. Shcherbakov, M. Implementation of Statistical Methods and Data Stream Mining Approaches in Energy Management Systems for Automatic Forecasting / M. Shcherbakov, V. Kamaev A

Brebels, A. Tyukov, N. Shcherbakova, T. Janovsky // Proceedings of International Conference Statistics & its Interactions with Other Disciplines (June 4-6 , 2013, Ho Chi Minh City). -2013.

42. Yurichev, K. Fuzzy-bazed thermodynamic identification model of spatial systems / K.S. Yurichev, M.V. Sherbakov, V.A. Kamaev // Proceedings of Spatial Statistics Conference (June 4 -6, 2013, Columbus, Ohio). - 2013.

43. Tyukov, A. A concept of web-based energy data quality assurance and control system / A. Tyukov, A. Brebels, M. Shcherbakov; V. Kamaev // UWAS2012 : The 14th International Conference on Information Integration and Web-based Applications & Services (Bali, Indonesia, December 3-5, 2012) : ACM. - 2012. - pp. 267-271.

44. Tyukov, A. Multiagent smart-grid management system / A. Tyukov, V. Kamaev, M. Shcherbakov, A. Brebels, A. Uzhva // Proceedings of the Congress on intelligent systems and information technologies "IS&IT'12". - 2012. - Vol. 4. - pp. 46.

45. Shcherbakov, M. Outliers and anomalies detection based on neural networks forecast procedure / M. Shcherbakov, A. Brebels // Program and abstracts of the 31st International Symposium on Forecasting (26-29 June, 2011, Prague, Czech Republic). - 2011. - pp. 61. .

46. Brebels, A. Calculation method for the selection of the best scale- and domain- independent forecast model/ A. Brebels, M. -Shcherbakov //Program and abstracts of the 31st International Symposium on Forecasting (26-29 June, 2011, Prague, Czech Republic). - 2011. - pp. 157.

47. l^ukov, A. Intelligent controller for hybrid renewable energy system based on multi-agent and embedded technology / A. Tyukov, A. Uzhva, M. Shcherbakov, A. Dobrowolski, A. Brebels // Artificial Intelligence Applications to Business and Engineering Domains (Rzeszow; Sofia: ITHEA). - 2011. - pp. 46-52.

48. Tyukov, A. Automatic two way synchronization between server and multiple clients for HVAC system / A. Tyukov, M. Shcherbakov, A. Brebels // The 13th International Conference on Information Integration and Web-based Applications & Services (Ho Chi Minh City, Vietnam, December 5-7, 2011), - ACM. - 2011. - pp. 467-470.

49. Panchenko, D. Implementation of Genetic Algorithms for Transit Points Arrangement / D. Panchenko, M. Shcherbakov // Intelligent Processing : suppl. to Int. Journal "Information Technologies and KnowIedge"Vol. 3. - 2009. - Int. Book Series "Information Science & Computing^ 9. - C. 129-131.- Аигл.

Свидетельства о регистрации программ на ЭВМ

50. Свид. о гос. регистрации программы для ЭВМ Л"» 2013612364 от 26 февраля 2013 г. РФ, МПК (нет). Программный комплекс прогнозирования потребления электроэнергии на основе нечётких моделей / М.А. Аль-Гупаид, М.В.Щербаков, В.А. Камаев; ВолгГТУ. -2013.

51. Свид. о гос. регистрации программы для ЭВМ № 2011617025 от 9 сент. 2011 г. РФ , МПК (нет). Web-сервис интеллектуального выявления выбросов во временных рядах / Р.С. Кузнецов, М.В. Щербаков, В.А. Камаев; ВолгГТУ. - 2011.

52. Свид. о гос. регистрации программы для ЭВМ № 2011619362 от 7 дек. 2011 г. РФ , МПК (нет). Web-система восстановления пропусков данных / А.В. Маркин, М.В. Щербаков; ФГБОУ ВПО ВолгГТУ. - 2011.

Подписано в печать 17.11.2014г. Формат 60x84 1/16. Бумага офсетная. Печать трафаретная. Печ. л.2,0. Тираж 100 экз. Заказ № 703.

Типография ИУНЛ Волгоградского государственного технического университета. 400005, г. Волгоград, просп. им. В.И. Ленина, 28, корп. №7.