К вопросу о подготовке данных при разработке модели нейронной сети
https://doi.org/10.55648/1998-6920-2022-16-4-69-79
Аннотация
Одной из особенностей работы операторов мобильной сети передачи данных является необходимость в постоянном мониторинге и обслуживании оборудования и каналов связи. Происходящие сбои в работе оборудования увеличивают стоимость эксплуатации и уменьшают лояльность клиентов. Возможность заблаговременного предсказания сбоев в работе сети послужило бы отличным решением для мобильных операторов. В текущей статье рассматривается вопрос предварительной подготовки собранных данных о работе мобильной сети оператора связи 4G+ для дальнейшего использования при разработке нейронной модели для предсказания сбоев. Приведены результаты проведенного анализа собранных данных, показаны характеристики, состав и структура данных, особенности которых в дальнейшем могут повлиять на обучение нейронной модели.
Об авторе
С. Б. Жанаева
СибГУТИ
Россия
Россия
Жанаева Сауле Бактыкереевна аспирант специальности 09.06.01, кафедра прикладной математики и кибернетики
630102, Новосибирск, ул. Кирова, 86
Список литературы
1. Brink H., Richards J. W., Fetherolf M. Real world Machine Learning. US: Manning Publications Co., 2017. 266 p.
2. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning Data Mining, Inference, and Prediction. Springer Series in Statistics / 2nd Edition. NY: Springer, 2017. 764 p.
3. Грас Д. Data science. Наука о данных с нуля: пер. с англ. СПб: БХВ-Петербург, 2017. 336 с.
4. Schmidt B., Wang L. Cloud-enhanced predictive maintenance // Int J Adv Manuf Technol. 2018. № 99. P. 5–13. DOI 10.1007/s00170-016-8983-8.
5. Hu C., Youn B. D., Kim T. Semi-supervised learning with co-training for data-driven prognostics // Proc. IEEE Int. Conf. on Prognostics and Health Management: Enhancing Safety, Efficiency, Availability, and Effectiveness of Systems Through PHM Technology and Application. Denver, CO, USA. 18–21 June, 2012. P. 1297–1306. DOI: 10.1109/ICPHM.2012.6299526.
6. Wu D., Jennings C., Terpenny J., Kumara S. Cloud-Based Machine Learning for Predictive Analytics: Tool Wear Prediction in Milling // Proc. IEEE International Conference on Big Data (Big Data), Washington, DC, USA, 5–8 December, 2016. P. 2062–2069.
7. Yin-Hsin Liu, Yao-Chung Tu, Chang-Yu Hsu, Hsin-Chieh Chao. Predicting malfunction of mobile network base station using machine learning approach // Proc. 20th Asia-Pacific Network Operations and Management Symposium (APNOMS), Matsue, Japan, 18–20 September, 2019. P. 1–4. DOI: 10.23919/APNOMS.2019.8892894.
8. Xu M., Baraldi P., Al-Dahidi S., Zio E. Fault prognostics by an ensemble of Echo State Networks in presence of event based measurements // Engineering Applications of Artificial Intelligence. V. 87. 2020. P. e103346. DOI: 10.1016/j.engappai.2019.103346.
9. McKinney W. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter. Boston: O’Reilly Media, 2022. 579 p.
10. Hoaglin D. C., Mosteller F., Tukey J. W. Understanding Robust and Exploratory Data Analysis. NY: Wiley-Interscience, 2000. 447 p.
11. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / пер. с англ. А. А. Слинкина. М.: ДМК Пресс, 2015. 400 с.
12. Шолле Ф. Глубокое обучение на Python. Серия «Библиотека программиста». СПб.: Питер, 2018. 400 с.
Рецензия
Для цитирования:
Жанаева С.Б. К вопросу о подготовке данных при разработке модели нейронной сети. Вестник СибГУТИ. 2022;16(4):69-79. https://doi.org/10.55648/1998-6920-2022-16-4-69-79
For citation:
Zhanayeva S.B. Data preparation for a neural network model. The Herald of the Siberian State University of Telecommunications and Information Science. 2022;16(4):69-79. (In Russ.) https://doi.org/10.55648/1998-6920-2022-16-4-69-79
Просмотров:
779
Послать статью по эл. почте 