ИНТЕГРАЦИЯ МЕТОДОВ ЛИНЕЙНОЙ РЕГРЕССИИ И СЛУЧАЙНОГО ЛЕСА В СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ УПРАВЛЕНИЯ КРИОГЕННЫМИ ТРАНСПОРТНЫМИ СИСТЕМАМИ
Аннотация
В научной статье исследуется эффективность использования моделей логистической регрессии и случайного леса для прогнозирования управленческих решений в многослойных криогенных системах. Исследование проводилось с использованием датасета, содержащего 730 наблюдений. Вводятся дополнительные нелинейные признаки, такие как произведение уровней и давлений газов (He и N2) и уровень азота, равный нулю, что позволило улучшить качество моделирования за счет более корректного учета взаимодействий переменных.
Модель логистической регрессии показала значение F1-меры 0,653, указывая на высокую точность в предсказании класса, не требующего действий, но испытывала трудности с предсказанием класса, требующего вмешательства, из-за несбалансированности классов в данных.
Модель случайного леса продемонстрировала высокую производительность, что подтверждается значением F1-меры 0,925, указывающей на эффективное сочетание точности и полноты предсказаний модели. Анализ матрицы ошибок показал надежную способность модели определять состояния, не требующие вмешательства, при минимальном допущении ошибок второго типа, что критически важно для поддержания стабильности системы.
В работе была проведена оценка значимости признаков, которая подтвердила, что уровни и давления газов являются основными драйверами предсказаний модели случайного леса. Доказывается эффективность использования моделей логистической регрессии и случайного леса для прогнозирования управленческих решений в криогенных системах.
Литература
Filin N.V., Bulanov A.B. Liquid Cryogenic Systems. Leningrad: Mashinostroenie. 1985. 247 p. (in Russian).
Arkharov A.M., Belyakov V.P., Mikulin E.I. et al. Cryogenic Systems: Textbook for Universities on the Course "Cryogenic Engineering". Moscow: Mashinostroenie. 1987. 536 p. (in Russian).
Mikulin E.I. Cryogenic Engineering. Moscow: Mashinostroenie. 1969. 272 p. (in Russian).
Baranov A.Yu., Sokolova E.V. Storage and Transportation of Cryogenic Liquids. Part 1: Study Guide. St. Petersburg: ITMO University. 2017. 95 p. (in Russian).
Van Sciver S.W. Helium Cryogenics. New York: Springer Science. 2012. 470 р. DOI: 10.1007/978-1-4419-9979-5.
Gordina N.E., Melnikov A.A., Gusev G.I. et al. Mechano-chemical and plasmachemical processing in the synthesis of catalytic systems based on vermiculite and zirconium oxychloride. ChemChemTech. 2022. Vol. 65. N 5. P. 43-57. DOI: 10.6060/ivkkt.20226505.6612. EDN KDQEVD.
Textbook on Machine Learning. https://education.yandex.ru/handbook/ml. (in Russian).
Breiman, L., Friedman, J., Stone, C.J., Olshen, R.A. Classification and Regression Trees. New York: CRC press. 1984. 368 р.
Murphy K.P. Machine Learning: A Probabilistic Perspective. London: MIT Press. 2012. 29 р.
Ho T.K. Random Decision Forests. Materials of the 3rd International Conference on Document Analysis and Recognition. Montreal: QC. 1995. Р. 14-16.
Zimnurov M.F., Astrakhantseva I.A., Grimenitsky P.N. System Analysis and Optimization of Quantitative Performance Indicators in Technological Projects Based on Flexible Methodologies. Modern High Technologies. Regional Application. 2023. N 3(75). P. 61-68. DOI: 10.6060/snt.20237503.0008. EDN OYNXHV. (in Russian).
Astrakhantseva I.A., Gorev S.V., Astrakhantsev R.G. Systems Approach to the Analysis of the Complex Technical Systems Fractal Nature. Ivecofin. 2023. N 3(57). P. 89-97. DOI: 10.6060/ivecofin.2023573.657. EDN PSPGBG. (in Russian).
Astrakhantseva I.A., Bobkov S.P. Discrete Stochastic Model of Flow Hydrodynamics. Modeling of Systems and Processes. 2023. Vol. 16. N 2. P. 7-14. DOI: 10.12737/2219-0767-2023-16-2-7-14. EDN BYGGKR. (in Russian).
Astrakhantseva I.A., Gorev S.V., Astrakhantsev R.G. Fractal Analysis in Assessing the Efficiency and Reliability of Complex Technical Systems. Modern High Technologies. Regional Application. 2023. N 4(76). P. 60-68. DOI: 10.6060/snt.20237604.0008. EDN NBDYHR. (in Russian).
Morozov E.N., Gorev S.V. Mathematical Models for Optimization of Machine-Readable Regulation. Ivecofin. 2023. N 4(58). P. 71-78. DOI: 10.6060/ivecofin.2023584.666. EDN LLSUGG. (in Russian).
Mamedova L.E., Ivanova L.N., Altaev E.S. The Main Aspects of Artificial Intelligence Technology. Ivecofin. 2023. N 3(57). P. 78-88. DOI: 10.6060/ivecofin.2023573.656. EDN QCPKWV. (in Russian).
Astrakhantseva I.A., Astrakhantsev R.G., Mitin A.V. Randomized C/C++ dynamic memory allocator. Journal of Physics: Conference Series: 2. Moscow. 2021. P. 012006. DOI 10.1088/1742-6596/2001/1/012006.
Bobkov S.P., Astrakhantseva I.A., Galiaskarov E.G. Application of a System Approach in Developing Mathematical Models. Modern High Technologies. Regional Application. 2021. N 1(65). P. 66-71. DOI: 10.6060/snt.20216501.0008. EDN KOXZWY. (in Russian).
Bobkov S.P., Astrakhantseva I.A. Application of Agent-Based Approach for Heat Conduction Processes Simulation. Bulletin of the Ivanovo State Power Engineering University. 2022. N 2. P. 58-66. DOI: 10.17588/2072-2672.2022.2.058-066. EDN RWGSSW. (in Russian).
Morozov E.N., Gorev S.V. Mathematical Models for Optimization of Machine-Readable Regulation. Ivecofin. 2023. N 4(58). P. 71-78. DOI: 10.6060/ivecofin.2023584.666. EDN LLSUGG. (in Russian).
Bobkov S.P., Astrakhantseva I.A. The use of multi-agent systems for modeling technological processes. J. Phys.: Conf. Ser. 2001 012002. DOI: 10.1088/1742-6596/2001/1/012002. EDN ZXPPKV.
