The popularity of hidden Markov models of fuels and lubricants and their implementation in various fields, spreads every year, leads to certain problems.The aim of the study is the use of hidden Markov models for the analysis of time series in the form of linguistic chains.This study has its own goal of identifying the problems facing the developers of intelligent systems with the use of fuel and lubricants and identifying some of the areas in which these problems can be overcome. For the whole family of standard fuels and lubricants, three main problems were identified, the solution of which is very important for analyzing and forecasting time series.Today, hidden Markov models is one of the most common mathematical tools used for many classifiers and modeling of various problems. In recent years, fuels and lubricants are used for gesture recognition. It is clear that this article does not provide a complete list of the problems facing the developers of intelligent systems using fuel, but it is a definite step towards the integration of modern methods for solving complex problems.

Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" ГІБРИДНИЙ ЛІНГВІСТИЧНИЙ ПІДХІД ДО МОДЕЛЮВАННЯ ЧАСОВИХ РЯДІВ В статті розглядається використання гібридного лінгвістичного підходу до моделювання та прогнозування часових рядів. Гібридний лінгвістичний підхід передбачає процес побудови лінгвістичних моделей (ЛМ) з використанням прихованих Марковських моделей (ПММ). Одним з кроків побудови ЛМ є застосування інтервального підходу для розбиття множин значень часового ряду з використанням елементів інтервальної математики та різноманітних розподілів ймовірностей. Будується морфізм перетворення чисельних образів до символьного вигляду, який можна використовувати для вирішення певних задач. Запропоновані методи дають якісні результати на короткостроковому прогнозі, що не відрізняються від прогнозів профільними методами, при використанні менших обчислювальних ресурсів. Ключові слова: лінгвістизація, лінгвістична модель, інтервалізація, інтервальна математика, розподіли. Т.В. ШУЛЬКЕВИЧ, И.В. БАКЛАН Национальный технический университет Украины "Киевский политехнический институт имени Игоря Сикорского" ГИБРИДНЫЙ ЛИНГВИСТИЧЕСКИЙ ПОДХОД К МОДЕЛИРОВАНИЮ ВРЕМЕННЫХ РЯДОВ В статье рассматривается использование гибридного лингвистического подхода к моделированию и прогнозированию временных рядов. Гибридный лингвистический подход предполагает процесс построения лингвистических моделей (ЛМ) с использованием скрытых Марковских моделей (СММ). Одним из шагов построения ЛМ является применение интервального подхода для разбиения множеств значений временного ряда с использованием элементов интервальной математики и различных распределений вероятностей. Строится морфизм преобразования численных образов в символьный вид, который можно использовать для решения определенных задач. Предложенные методы дают качественные результаты на краткосрочном прогнозе, которые не отличаются от прогнозов профильными методами, при использовании меньших вычислительных ресурсов. Ключевые слова: лингвистизация, лингвистическая модель, интервализация, интервальная математика, распределения.

Using a hybrid linguistic approach to model numerical images in the form of time series using probabilistic grammars based on hidden time series and implement information technology to build sets of linguistic models and their hybrids that describe the dynamics of selected time series of processes of different nature.In the article the results of computational experiments are considered, the quality of forecasting of time series of diverse nature at various parameters was proved. The goal of the current research is to provide empirical evidence of the suitability of using a hybrid linguistic approach for predicting time series.Experimental way to find the optimal parameters of the algorithm. The algorithm was applied to a variety of time series (social, medical, financial and economic), calculated the statistical accuracy of the forecast. Experiments have shown that the algorithm consistently performs the forecast of values in a range of 3-4 steps forward and forecasts the trend change by 3-5 steps.