Дослідження двох підходів щодо прогнозування затримки на маршрутизаторі комп'ютерної мережі залізничного транспорту з використанням нейромережної технології

Simple item page
dc.contributor.authorПахомова, Вікторія Миколаївнаuk_UA
dc.contributor.authorХрестян, Анна Вячеславівнаuk_UA
dc.date.accessioned2025-06-03T07:28:18Z
dc.date.available2025-06-03T07:28:18Z
dc.date.issued2025
dc.descriptionВ. Пахомова: ORCID 0000-0002-0022-099X; А. Хрестян: ORCID: 0000-0002-1774-5282
dc.description.abstractUKR: На сучасному етапі в комп’ютерних мережах залізничного транспорту застосовується протокол OSPF, при використанні якого в реальному часі з’являється проблема завдяки постійним змінам обсягів передаваємих даних, і для вирішення якої доцільно використання нейромережної технології, що підтверджує актуальність теми. У роботі створено базу даних затримок на маршрутизаторі комп’ютерної мережі залізничного транспорту. Проведений розрахунок показника Херста часового ряду затримок на маршрутизаторі показав, що він персистентний. Прогнозування затримки на маршрутизаторі комп’ютерної мережі залізничного транспорту здійснено засобами нейронної мережі конфігурації «4-1-16-1» (перший підхід) та нейронечіткої мережі конфігурації «3-6-8-8-1» (другий підхід), що створені в середовищі MatLAB за допомогою додатків Neural Network Toolbox та Fuzzy Logic Toolbox відповідно. За першим підходом проведено дослідження середньоквадратичної похибки нейронної мережі при різній кількості прихованих нейронів (10, 50 та 90) за різними алгоритмами навчання (Levenberg-Marquardt, Bayesian Regularization та Scaled Conjugate Gradient). За другим підходом проведено дослідження середнього значення похибки нейронечіткої мережі при різних функціях приналежності нейронів за різними методами оптимізації навчання (гібридним та зворотного поширення помилки). На створених нейронних моделях визначені їх відповідні оптимальні параметри. Виконано оцінювання за допомогою MAPE прогнозу затримки на маршрутизаторі з використанням створених нейронних моделей. Визначено, що найменше значення MAPE при прогнозуванні затримки на маршрутизаторі комп’ютерної мережі Придніпровської залізниці досягається на створеній нейронечіткій мережі конфігурації «3-6-8-8-1» в зрівнянні з прогнозованими значеннями затримок, що отримані на нейронній мережі конфігурації «4-1-16-1».uk_UA
dc.description.abstractENG: At the present stage, the OSPF protocol is used in the computer networks of railway transport, when using which a problem appears in real time due to constant changes in the volume of transmitted data, and for the solution of which it is advisable to use neural network technology, which confirms the relevance of the topic. A database of delays on the router of the computer network of railway transport has been created in the work. The calculation of the Hurst indicator of the time series of delays on the router showed that it is persistent. Forecasting of delay on the router of the computer network of railway transport was carried out by means of the neural network of the configuration «4-1-16-1» (the first approach) and the neural fuzzy network of the configuration «3-6-8-8-1» (the second approach), which were created in the MatLAB environment using the Neural Network Toolbox and Fuzzy Logic Toolbox applications, respectively. According to the first approach, a study of the MSE of the neural network with a different number of hidden neurons (10, 50 and 90) according to different training algorithms (Levenberg-Marquardt; Bayesian Regularization and Scaled Conjugate Gradient). According to the second approach, a study of the average error value of the neural fuzzy network at different functions of neuronal belonging according to different methods of training optimization (Hybrid and Backpropa). On the created neural models, their corresponding optimal parameters are determined. An assessment of the delay forecast on the router using MAPE was performed using the created neural models. It is determined that the smallest value of MAPE when forecasting delay on the router of the computer network of the Prydniprovsk Railway is achieved on the created neural fuzzy network of the configuration «3-6-8-8-1» in comparison with the predicted values of delays obtained on the neural network of the configuration «4-1-16-1».en
dc.identifier.citationПахомова В.М., Хрестян А.В. Дослідження двох підходів щодо прогнозування затримки на маршрутизаторі комп'ютерної мережі залізничного транспорту з використанням нейромережної технології. Вчені записки Таврійського національного університету імені В.І. Вернадського. Серія: Технічні науки. Том 36(75). № 1, 2025. С. 184-190. DOI: 10.32782/2663-5941/2025.1.2/27.
dc.identifier.doi10.32782/2663-5941/2025.1.2/27
dc.identifier.issn2663-5941 (Print)
dc.identifier.issn2663-595X (Online)
dc.identifier.urihttps://tech.vernadskyjournals.in.ua/archive?id=145
dc.identifier.urihttps://doi.org/10.32782/2663-5941/2025.1.2/27
dc.identifier.urihttps://crust.ust.edu.ua/handle/123456789/20432
dc.language.isouk
dc.publisherТаврійський національний університет імені В.І. Вернадськогоuk_UA
dc.subjectмаршрутизаторuk_UA
dc.subjectбаза данихuk_UA
dc.subjectзатримкаuk_UA
dc.subjectпрогнозуванняuk_UA
dc.subjectпоказник Херстаuk_UA
dc.subjectMLPen
dc.subjectANFISen
dc.subjectоптимальні параметриuk_UA
dc.subjectпохибкаuk_UA
dc.subjectMAPEen
dc.subjectrouteren
dc.subjectdatabaseen
dc.subjectdelayen
dc.subjectforecastingen
dc.subjectHearst indicatoren
dc.subjectoptimal parametersen
dc.subjecterroren
dc.subjectКЕОМuk_UA
dc.subject.classificationTECHNOLOGY::Information technologyen
dc.titleДослідження двох підходів щодо прогнозування затримки на маршрутизаторі комп'ютерної мережі залізничного транспорту з використанням нейромережної технологіїuk_UA
dc.title.alternativeExploring two approaches to forecasting delay on the computer network router of railway transport using neural network technologyen
dc.typeArticleen
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
29.pdf
Size:
545.71 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Статті КЕОМ