УДК 69 УДК 62 УДК 681.5 УДК 004.94

АЛГОРИТМЫ ПРЕДИКТИВНОЙ АНАЛИТИКИ ПАРАМЕТРОВ ИНЖЕНЕРНЫХ СИСТЕМ ЗДАНИЙ Алгоритмы предиктивной аналитики параметров инженерных систем зданий

Опубликовано в Строительство и архитектура · Том 11, Номер 3, 2023 · Страницы 15–15 · Рубрика: 2.1.14. УПРАВЛЕНИЕ ЖИЗНЕННЫМ ЦИКЛОМ ОБЪЕКТОВ СТРОИТЕЛЬСТВА (ТЕХНИЧЕСКИЕ НАУКИ)
DOI: https://doi.org/10.29039/2308-0191-2023-11-3-15-15
Получено: 17.09.2023 Одобрено: 29.09.2023 Опубликовано: 29.09.2023 Язык публикаций: ru-RU
В статье рассматривается актуальность применения методов глубокого обучения в задачах предиктивной аналитики параметров инженерных систем в строительстве. Описывается преимущества и недостатки таких методов, а также архитектура системы киберфизического типа на базе машинного обучения для решения задачи предиктивной аналитики параметров инженерных систем зданий. Делаются выводы о применимости использования алгоритмов кластеризации DBSCAN, нейронных сетей с механизмом Attention и ансамблей иерархических деревьев в рамках данной задачи исследования.
цифровой двойник, киберфизическая система, машинное обучение, нейросети, умный дом, автоматизированные системы, предиктивная аналитика, инженерные системы, жизненный цикл
Текст Список литературы

1. Лосев К.Ю., Крестелев Д.И Архитектура автоматизированной инженерной системы для методики определения событий при эксплуатации зданий и сооружений // Строительное производство. - 2022. - №4. - С. 65-72. DOI: https://doi.org/10.54950/26585340_2022_4_65; EDN: https://elibrary.ru/MZHDFF

2. Крестелев Д.И. Постановка задачи контроля микроклимата в проектном бюро / Дни студенческой науки [Электронный ресурс] : сборник докладов научно-технической конференции по итогам научно-исследовательских работ студентов института экономики, управления и информационных систем в строительстве и недвижимости НИУ МГСУ (г. Москва, 1-5 марта 2021 г.) / Министерство науки и высшего образования Российской Федерации, Национальный исследовательский Московский государственный строительный университет, институт экономики, управления и информационных систем в строительстве и недвижимости. - М.: Издательство МИСИ - МГСУ, 2021. http://mgsu.ru/resources/izdatelskaya-deyatelnost/izdaniya/izdaniya-otkr-dostupa/. - Загл. с титул. экрана. ISBN 978-5-7264-2863-5 EDN: https://elibrary.ru/VFNEQM

3. Евменов, В.П. Интеллектуальные системы управления: превосходство искусственного интеллекта над естественным интеллектом? / В.П. Евменов. - М.: КД Либроком, 2016. - 304 c.

4. Ким, Д.П. Теория автоматического управления. Т. 2. Многомерные, нелинейные, оптимальные и адаптивные системы / Д.П. Ким. - М.: Физматлит, 2007. - 440 c. EDN: https://elibrary.ru/QMROVT

5. Xueyi Liu, Chuanhou Gao, Ping Li. A comparative analysis of support vector machines and extreme learning machines // Neural Networks. - 2012. - vol. 33. - p. 58-66.

6. Trevor Hastie, Robert Tibshirani, Jerome Friedman. The elements of statistical learning: Data mining, inference and prediction. / New York: Springer-Verlag - 2001. - p. 35-40.

7. Домингос, Педро Верховный алгоритм: как машинное обучение изменит наш мир / Педро Домингос. - Москва: РГГУ, 2015. - 447 c.

8. Breiman, L. Random Forests. // Machine Learning. - 2001. - vol. 45. - p. 5-32. doi:https://doi.org/10.1023/A:1010933404324. EDN: https://elibrary.ru/ARROTH

9. Чураков, Е.П. Введение в многомерные статистические методы: Учебное пособие / Е.П. Чураков. - СПб.: Лань, 2016. - 148 c.

10. Ширяев, А.Н. Вероятностно-статистические методы в теории принятия решений / А.Н. Ширяев. - М.: МЦНМО, 2014. - 144 c.

11. Puchenkov I.S., Evtushenko S.I. Creating an information model of a building in a shared data environment [Sozdanie informacionnoj modeli zdaniya v srede obstchich dannych] // Construction and architecture. - 2021.

Войти или Создать
* Забыли пароль?