ПРОГНОЗИРОВАНИЕ КОЛИЧЕСТВА ПРОИСШЕСТВИЙ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ НА ОСНОВЕ ФРЕЙМВОРКА KERAS

УДК 004.032.26

 

  • Мущук Артур Николаевич – магистрант кафедры программной инженерии. Белорусский государственный технологический университет (220006, г. Минск, ул. Свердлова, 13а, Республика Беларусь). E-mail: mushuk-artur@mail.ru I

DOI: https://doi.org/10.52065/2520-6141-2024-278-9.

 

Ключевые слова: нейронные сети, машинное обучение, Keras, долгая краткосрочная память.

Для цитирования: Мущук А. Н. Прогнозирование количества происшествий с использованием нейронной сети на основе фреймворка Keras // Труды БГТУ. Сер. 3, Физико-математические науки и информатика. 2024. № 1 (278). С. 58–63. DOI: 10.52065/2520-6141-2024-278-9

Аннотация

В статье представлен процесс разработки архитектуры нейронной сети для прогнозирования количества происшествий на основе языка Python с использованием фреймворка Keras. Рассмотрен весь цикл проектирования подобных архитектур. Методика построения архитектуры включает несколько этапов: сбор, группировка и обработка данных с использованием соответствующих методов, формирование обучающей и тестовой выборки, подбор подходящей архитектуры сети с учетом специфических требований решаемой задачи прогнозирования. Далее осуществляется реализация, обучение и тестирование нейронной сети на независимом наборе данных для оценки производительности и точности. Проводится сравнительный анализ предложенной архитектуры с известными по критерию средней абсолютной ошибки.

Скачать

Список литературы

  1. Tufail Sh., Riggs H., Tariq M., Sarwat A. I. Advancements and Challenges in Machine Learning: A Comprehensive Review of Models, Libraries, Applications, and Algorithms // Electronics. 2023. Vol. 12, no. 8. P. 1789. DOI: 10.3390/electronics12081789.
  2. Распознавание подстилающей поверхности Земли с помощью сверточной нейронной сети на одноплатном микрокомпьютере /Д. А. Павленко [и др.] // Информатика. 2020. Т. 17, № 3. С. 36–43. DOI: 10.37661/1816-0301-2020-17-3-36-43.
  3. Сорокина В. В., Абламейко С. В. Выделение отдельных участков тела человека на изображении с использованием нейронных сетей и модели внимания // Журнал Белорусского государственного университета. Математика. Информатика. 2022. Т. 2. С. 94–106. DOI: 10.33581/2520-6508-2022-2-94-106.
  4. Portugal I., Alencar P., Cowan D. The use of machine learning algorithms in recommender systems: A systematic review // Expert Systems with Applications. 2018. Vol. 97. P. 205–227. DOI: 10.1016/ j.eswa.2017.12.020.
  5. О возможностях применения машинного обучения в системах управления освещением / С. В. Рослякова [и др.] // Научный результат. Сер.: Информационные технологии. 2021. Т. 6, № 4. С. 48–63. DOI: 10.18413/2518-1092-2021-6-4-0-7.
  6. Regression Analysis for COVID-19 Infections and Deaths Based on Food Access and Health Issues / A. Almalki [et al.] // Healthcare. 2022. Vol. 10, no. 2. P. 324. DOI: 10.3390/healthcare10020324.
  7. Life Expectancy: Prediction & Analysis using ML / V. Bali [et al.] // ICRITO: 9th International Conference on Reliability, Infocom Technologies and Optimization (Trends and Future Directions). 2021. P. 1–8. DOI: 10.1109/ICRITO51393.2021.9596123.
  8. Rajendran S., Chamundeswari S., Sinha A. Predicting the academic performance of middle-and highschool students using machine learning algorithms // Social Sciences & Humanities Open. 2022. Vol. 6, no. 1. P. 100357. DOI: 10.1016/j.ssaho.2022.100357.
  9. Predicting the Income Groups and Number of Immigrants by Using Machine Learning (ML) / B. Aydemir [et al.] // International Journal of Multidisciplinary Studies and Innovative Technologies. 2022. Vol. 6, no. 2. P. 162–168. DOI: 10.36287/ijmsit.6.2.162.
  10. Shah N., Bhagat N., Shah M. Crime forecasting: a machine learning and computer vision approach to crime prediction and prevention // Visual Computing for Industry, Biomedicine, and Art. 2021. Vol. 4. P. 1–14. DOI: 10.1186/s42492-021-00075-z.
  11. Sarker I. Machine learning: Algorithms, real-world applications and research directions // SN computer science. 2021. Vol. 2, no. 3. P. 160. DOI: 10.1007/s42979-021-00592-x.
  12. Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.
  13. McKinney W. In Python for data analysis // O’Reilly Media. 2013. Issue 2. P. 207–209.
  14. Орельен Ж. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. СПб.: Альфа-книга, 2018. 684 с.
  15. Goodfellow I., Bengio Y., Courville A. Deep Learning. Massachusetts: Massachusetts Institute of Technology, 2017. 804 с.

Поступила после доработки 09.02.2024