Development of Combined Information Technology for Time Series Prediction

Mulesa, Oksana; Geche, Fedir; Batyuk, Anatoliy; Buchok, Viktor

doi:10.1007/978-3-319-70581-1_26

Cited by 17 publications

(11 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The built-in prediction analytics is used to forecast completion time of a process instance. The feature is developed upon a combined time series forecasting information technology based on fuzzy experts' evaluation [18] and analysis of dynamic processes [19]. The suggestions feature recommends an optimal process flows and suits the human behavior (which is important if people are involved into monitored processes).…”

Section: Built-in Analytics Featuresmentioning

confidence: 99%

Software Architecture Design of the Real- Time Processes Monitoring Platform

Batyuk

oityshyn

Verhun

2018

2018 IEEE Second International Conference on Data Stream Mining &Amp; Processing (DSMP)

Self Cite

View full text Add to dashboard Cite

Understanding of how business processes are executed in real-life is vitally important for a company. Any process leaves a digital footprint that can be transformed into so-called event logs and analyzed with process mining techniques. A software platform with the purpose of near realtime processes monitoring is implemented. Design of the represented platform is based on the lambda architecture combining online and offline process mining algorithms with advanced analytics based on machine learning.

show abstract

Section: Built-in Analytics Featuresmentioning

confidence: 99%

Software Architecture Design of the Real- Time Processes Monitoring Platform

Batyuk

oityshyn

Verhun

2018

2018 IEEE Second International Conference on Data Stream Mining &Amp; Processing (DSMP)

Self Cite

View full text Add to dashboard Cite

show abstract

“…The proposed models can be used in the construction of time series of characteristics, which are used for the evaluation of the prospects of a partner. Article [24] shows the method for prediction of time series of selective match with the model, which was developed in [25] and integrated into information technology in [26]. These studies show the application of trend models for the prediction of economic processes, while paper [27] shows the possibility of application of trend models for forecasting the prospects of scientific research.…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Improvement of the method for scientific publications clustering based on n-gram analysis and fuzzy method for selecting research partners

Lizunov

Biloshchytskyi

Kuchansky

et al. 2019

EEJET

View full text Add to dashboard Cite

Для задачі формування проектних груп, зокрема науково-дослідницьких проектних груп, пропонується комплексний метод, який складається з двохетапного методу кластеризації графу цитування публікацій науковців та методу нечіткого логічного виводу для узгодження думок експертів щодо вибору потенційних партнерів і включення їх до проектної групи. Суть двохетапного методу кластеризації публікацій науковців полягає у кластеризації графу цитування та об'єднання кластерів на основі близькості анотацій публікацій. Відстань між публікаціями розраховується на основі визначеної метрики та підходів n-грам аналізу. Описаний метод дозволяє ідентифікувати напрями досліджень науковців, що є необхідною складовою раціонального вибору партнера для побудови проектної групи і є вхідною інформацією для експертів, які цю групу формують. Наступним етапом є застосування методу нечіткого логічного виводу, який будується для узгодження думок експертів щодо створення проектних груп. Даний метод складається із трьох етапів. На першому етапі фазифікація здійснюється через введення функції належності науковця до напрямку наукових досліджень. Другий етап нечіткого логічного виводу полягає формуванні експертами вимог до кандидатів на місце в проектній групі. На заключному етапі відбувається дефазифікація за допомогою методу центра ваги. Для верифікації нечіткого методу ідентифікації дослідницьких проектних груп було визначено організаціївиконавці для фундаментального наукового дослідження. Описані методи можуть бути використані для задачі формування науково-дослідницьких груп та виявлення подібностей між фрагментами текстової інформації на основі n-грам аналізу, що має застосування у задачі ідентифікації неповних дублікатів між фрагментами текстової інформації Ключові слова: кластеризація, n-грам аналіз, напрям наукових досліджень, граф цитування, проектна група UDC 005.8

show abstract

“…Analysis of the peculiarities of designing information-analytical systems for prediction of time series with the use of expert evaluation has been carried out in work [23]. In particular, the method of fuzzy clustering which uses the identification problem of similarities is considered in [24].…”

Section: Literature Review and Problem Statementmentioning

confidence: 99%

Development of adaptive combined models for predicting time series based on similarity identification

Kuchansky

Biloshchytskyi

Andrashko

et al. 2018

EEJET

View full text Add to dashboard Cite

23. Neural crest and mesoderm lineage-dependent gene expression in orofacial development / Bhattacherjee V., Mukhopadhyay P., Singh S., Johnson C., Philipose J. T., Warner C. P. DEVELOPMENT OF ADAPTIVE COMBINED MODELS FOR PREDICTING TIME SERIES BASED ON SIMILARITY IDENTIFICATION A . K u c h a n s k yPhD, Associate Professor Department of Cybersecurity and Computer Engineering* E-mail: kuczanski@gmail.com A . B i l o s h c h y t s k y i Y u . A n d r a s h k oLecturer Department of System Analysis and Optimization Theory Uzhhorod National University Narodna sq., 3, Uzhhorod, Ukraine, 88000 S . B i l o s h c h y t s k a

show abstract

Development of Combined Information Technology for Time Series Prediction

Cited by 17 publications

References 8 publications

Software Architecture Design of the Real- Time Processes Monitoring Platform

Software Architecture Design of the Real- Time Processes Monitoring Platform

Improvement of the method for scientific publications clustering based on n-gram analysis and fuzzy method for selecting research partners

Development of adaptive combined models for predicting time series based on similarity identification

Contact Info

Product

Resources

About