Введение
Корни современной предиктивной аналитики уходят в далекие 1940-е годы, когда правительства начали использовать первые вычислительные модели: метод Монте-Карло, вычислительные модели нейронных сетей и линейное программирование. Это применялось для расшифровки немецких сообщений во время Второй мировой войны, самонаведения орудий ПВО и прогнозного моделирования ядерных цепных реакций в проекте «Манхэттен». В 1960-х годах корпорации и исследовательские институты начали эпоху коммерциализации аналитики с помощью нелинейного программирования и решения эвристических задач на основе компьютеров. Это легло в основу первых моделей прогноза погоды, решения «задачи кратчайшей пути» для авиаперевозок и логистики, а также предиктивного моделирования для принятия решений о кредитном риске. Затем в 1970-х — 1990-х годах получила большее распространение в организациях. Технологические стартапы сделали реальными предписывающую аналитику (Prescriptive analytics) и анализ в режиме реального времени. Тем не менее, предиктивная аналитика была инструментом, в первую очередь для специалистов по статистике и доходила до бизнес-пользователей только в виде статичных отчетов [1]. Сегодня предиктивная аналитика стала одним из важных направлений корпоративной аналитики, которая используется для решения широкого круга задач. Этот тренд обусловлен реалиями мировой экономики: организации постоянно ищут конкурентные преимущества и внедряют новые технологии.
Материалы и методы
Предиктивная аналитика — это процесс использования статистических моделей, алгоритмов машинного обучения и других методов анализа данных для прогнозирования будущих событий и поведения на основе исторических данных. В качестве примера рассмотрим несколько методик, используемых в области предиктивной аналитики:
1. Регрессионный анализ: Этот метод предсказывает значения зависимой переменной на основе набора независимых переменных. Это позволяет определить, какие факторы влияют на конкретное явление и какую роль они играют.
2. Кластерный анализ: Этот метод помогает группировать схожие объекты или события. Например, компания может использовать кластерный анализ для идентификации сегментов клиентов с похожим поведением или характеристиками, чтобы лучше понять их потребности и предоставить персонализированный опыт.
3. Классификация и прогнозирование: Данный метод используется для определения категории или класса, к которому может принадлежать объект или событие. Например, система мошеннического обнаружения может использовать классификацию для определения, является ли транзакция подозрительной или нет.
4. Временные ряды: Этот метод предсказывает будущие значения какой-либо переменной на основе ее исторических значений. Он используется для анализа временных данных, таких как прогнозирование продаж, предсказание цен на фондовом рынке или прогнозирование погоды.
5. Машинное обучение: Этот подход использует алгоритмы и модели машинного обучения для предсказания будущих результатов. Он может быть применен в различных сферах, от медицины до рекламы, чтобы прогнозировать, например, будущие заболевания пациентов или предложить наиболее релевантную рекламу на основе предпочтений пользователя.
6. Оптимизация ресурсов: Эта область предиктивной аналитики используется для оптимизации распределения ресурсов, таких как прогнозирование спроса на товары и услуги, планирование производства, оптимизация логистики или управление запасами.
Это лишь несколько примеров видов предиктивной аналитики. Все они имеют цель предсказывать будущие события и результаты на основе анализа исторических данных. Они могут быть применены в различных областях, от бизнеса до медицины, чтобы помочь принимать более информированные решения и лучше понимать будущие тенденции и потребности [2-3].
В качестве примера рассмотрим методику анализа больших данных с целью предсказания изменения этапов жизненного цикла элементов инженерного оборудования зданий и сооружений, которая, в итоге, направлена на снижение издержек при проектировании и реализации систем инженерного оборудования зданий за счёт отказа от многоуровневого дублирования, упрощение работы обслуживающего персонала снижения аварийности в процессе эксплуатации зданий и сооружений. Данное исследование является развитием идей, представленных автором в следующих статьях: «Predicting the Elements Operation of Buildings’ Engineering Equipment Using the Big Data Analysis Technologies» [4] и «Разработка методики анализа больших данных с целью предсказания изменения фаз жизненного цикла элементов инженерного оборудования зданий и сооружений» [5]. Конечной целью исследования является создание полнофункционального приложения, готового к реальной эксплуатации.
Алгоритм работы приложения:
Внешние данные поступают в логический блок, где проверяется, является ли изделие работающим? Если оно работает, передаём данные в блок прогнозирования. Если устройство не работает, снимаем дампы данных и передаём в следующий логический блок, где с использованием метода «Контрольных карт Шухарта» определяется является ли вышедшее изделие браком [6]. Если устройство вышло из строя штатно, данные передаются в модуль перерасчёта «Эталонной модели стандартной» с использованием метода «Кластерного анализа» [7]. Данные, полученные от работающего изделия, обрабатываются методом «Квалиметрического анализа» с эталоном, полученным в блоке «Эталонная модель стандартная» [8]. Если полученные данные приближаются к эталонной модели, выдаётся рекомендация на проверку состояния устройства, в противном случае никаких действий не предпринимается. Если устройство вышло из строя с показателями, находящимися в области «Брака», данные передаются в модуль перерасчёта «Эталонной модели брак» с использованием метода «Кластерного анализа». Данные, полученные от работающего изделия, обрабатываются методом «Квалиметрического анализа» с эталоном, полученным в блоке «Эталонная модель брак». Если полученные данные приближаются к эталонной модели выдаётся первоочередная рекомендация на проверку состояния устройства, в противном случае никаких действий не предпринимается (Рис.1).
Рис.1. Алгоритм работы приложения
Результаты исследования
Расчёты производились на массиве данных, сгенерированном для проверки работоспособности математической модели в приложении Microsoft Excel [9-10]. Каждый объект описывается набором своих характеристик, называемых параметрами. Параметры могут быть числовыми или нечисловыми. Исходные данные на первоначальном этапе фильтруются с использованием экспертного метода и контрольных карт Шухарта (Рис.2.) Для построения карт были выбраны следующие параметры: наработка часов фактическая, количество включений, количество пропущенной воды. Для построения CL — центральной линии использовали среднее геометрическое значение па`раметров:
где $\overline{t}$ среднее геометрическое, n число показателей, а
Рис.2. Контрольные карты Шухарта
С целью приведения параметров к сопоставимым величинам перед началом анализа используется метод нормализации данных (Рис. 3):
Рис. 3. Нормализация данных
Расчёт производится по следующей формуле:
$t_j=\frac{t_i}{\sum_{i=1}^nt_i}$ (2)
где
$\sum_{i=1}^nt_i– сумма исходных значений параметра t, нуждающегося в нормализации
Для поиска расстояний между объектами в матрице несходства использовалась формула нахождения евклидова расстояния:
где d (X, Y) - евклидово расстояние,
m - количество параметров у сравниваемых объектов,
Xi, Yi – значения параметров [11].
На первом этапе квалиметрического анализа рассчитывается процент ошибки на основании данных из эталонной модели кластерного анализа и показателей:
$q%=|t_Э-\frac{\overline{t}}{t_Э}|$, (4)
где q% – величина ошибки в процентах,
i=1…n – диапазон текущих параметров,
где t значение параметра для соответствующего устройства.
Параллельно указывается величина ошибки, полученная экспертным методом и все вычисления идут параллельно.
На втором этапе квалиметрического анализа нормализуем данные для анализа, используя следующие формулы:
1. Отклонение от эталонного значения параметра (
где
2. Интегральный показатель качества (Qинт):
где
q% – величина ошибки в процентах.
На завершающем этапе квалиметрического анализа находим среднее значение по объектам, сортируем их по возрастанию, вычисляем интервалы в полученной последовательности и находим среднее геометрическое интервалов. На основании вычисленной среднегеометрической делим получившуюся последовательность на кластеры (Рис. 4).
Рис. 4. Кластеризация для задач прогноза
Объединив результаты вычислений, полученных с использованием математического и экспертного методов, получаем итоговую таблицу с прогнозом (Рис. 5) [12].
Рис. 5. Итоговая диаграмма прогноза
Заключение и обсуждение
Предиктивная аналитика является мощным инструментом для улучшения процессов и операций в строительной отрасли. Она позволяет строительным компаниям более точно прогнозировать спрос, оптимизировать ресурсы, управлять рисками, улучшать качество и повышать общую эффективность.
Методика анализа больших данных с целью предсказания изменения этапов жизненного цикла элементов инженерного оборудования зданий и сооружений основана на использовании современных алгоритмов предиктивной аналитики.
В качестве примера можно привести алгоритмы машинного обучения RFR (Random Forest Regressor), GBC (Gradient Busting Classifier) и GBR (Gradient Busting Regressor) описанные М.Р. Салиховым и Р.А. Юрьевой в статье «Алгоритм прогнозирования состояния оборудования на основе машинного обучения» [13].
Научная новизна состоит в подходе к анализу, в котором в отличие от классических схем, где кластерный и квалиметрический методы анализа используются для поиска наилучшего управленческого решения, в данной работе целью анализа, является поиск элементов оборудования близких к изменению фазы жизненного цикла.
На сегодняшний день исследование находится в активной фазе тестирования методики расчётов. Конечным результатом проведённого исследования будет являться полнофункциональный, гибкий программный комплекс, готовый к использованию как для предприятия, от которого получены исходные данные, так и для любого предприятия строительной сферы, с целью увеличения эффективности обслуживания элементов инженерного оборудования.
