1 Вінницький національний технічний університет Для вигідного продажу вживаного автомобіля слід керуватись не лише власною оцінкою або оцінкою сторонніх експертів, але й використовувати всі інші придатні для цього ресурси. Такими ресурсами можуть слугувати системи передбачення ціни, які за допомогою загальних ознак того чи іншого автомобіля (як-от виробник автомобіля, модель автомобіля, пробіг, вид палива, тип кузова тощо) здатні прогнозувати можливу ціну автомобіля. Такі системи можуть допомогти під час прийняття рішень не лише пересічним продавцям вживаних авто, а й агентствам, які займаються замовленням та масовим перевезенням вживаних авто з-за кордону. Для вибору ключових ознак та ідентифікації за ними оптимальної структури і параметрів моделей необхідно вибрати релевантні датасети, провести їх розвідувальний аналіз та відбір ознак, побудувати моделі машинного навчання, з яких вибрати оптимальну за певними критеріями. Для побудови інформаційної системи та перевірки працездатності запропонованої інтелектуальної технології вибрано два зіставні датасети по вживаних автомобілях США та України. Здійснено систематизацію методів та бібліотек на Python для проведення розвідувального аналізу даних і сформульовано загальні рекомендації щодо їх застосування для поставленої задачі. Запропоновано загальні принципи інтелектуальної технології, яка апробована на відібраних датасетах. Зокрема, проведено розвідувальний аналіз даних по США та обґрунтовано правило для фільтрування аномальних, а можливо й помилкових, даних. Вибрано множину можливих моделей, здійснено їх тренування та вибрано оптимальну серед них за R 2 -критерієм. Здійснено передбачення вартості авто, з точністю 86,1 %. Аналогічна задача розв'язана і для даних по Україні. Досягнуто точність 85,6 %. Це довело працездатність запропонованої технології та дозволило отримати корисні для використання на практиці результати.

No abstract

No abstract

Вінницький національний технічний університет, ВінницяАнотація. У даній статті розглянуто актуальне завдання прогнозування дат старту, піку та завершення хвиль щодобових приростів кількості підтверджених хворих на коронавірус у заданому регіоні на основі когнітивної карти, яка враховує міжрегіональний вплив, тобто інших регіонів на заданий, і -навпаки. Запропоновано метод ідентифікації ваг такої когнітивної карти для регіонівсусідів. Розроблено поетапний алгоритм застосування цього методу на практиці за реальними даними по хворих на коронавірус у цих регіонах, наведено ряд прийомів щодо його реалізації та здійснено його автоматизацію на Python. Наведено приклад для перевірки працездатності запропонованих методу та алгоритму на прикладі аналізу взаємовпливу та прогнозування дати завершення хвилі коронавірусу в Україні за даними по Румунії на основі відновлених ваг когнітивної карти 2-го порядку. Ключові слова: когнітивне моделювання, когнітивна карта, коронавірус, хвиля кількості нових підтверджених хворих, теорія графів. Аннотация. В данной статье рассмотрена актуальная задача прогнозирования дат старта, пика и завершения волн ежесуточных приростов количества подтвержденных больных коронавирусом в заданном регионе на основе когнитивной карты, учитывающей межрегиональное влияние, то есть других регионов на заданное, и -наоборот. Предложен метод идентификации весов такой когнитивной карты для регионов-соседей. Разработан поэтапный алгоритм применения этого метода на практике по реальным данным по больным коронавирусом в этих регионах, приведен ряд приемов по его реализации и осуществлена его автоматизация на Python. Представлен пример для проверки работоспособности предложенных метода и алгоритма на примере анализа взаимовлияния и прогнозирования даты завершения волны коронавируса в Украине по данным по Румынии на основе восстановленных весов когнитивной карты 2-го порядка. Ключевые слова: когнитивное моделирование, когнитивная карта, коронавирус, волна количества новых подтвержденных больных, теория графов. Abstract. This article considers the urgent task of predicting the start, peak and end waves of daily increases in the number of confirmed coronavirus patients in a given region based on a cognitive map that takes into account interregional influence, ie other regions on a given, and vice versa. A method for identifying the weights of such a cognitive map for neighboring regions is proposed. A step-by-step algorithm for applying this method in practice based on real data on coronavirus patients in these regions has been developed, a number of techniques for its implementation have been presented, and its automation in Python has been carried out. An example is given to test the efficiency of the proposed method and algorithm on the example of interaction analysis and prediction of the end date of the coronavirus wave in Ukraine according to Romania based on the restored weights of the second order cognitive map.