Кластеризация многомерных временных данных в рамках информационной поддержки принимаемых управленческих решений

Цели. Информационная поддержка принятия управленческих решений в различных предметных областях направлена на поиск оптимального варианта из множества альтернативных. Что касается принимаемых решений в части функционирования социально-экономических систем, то здесь широко используется кластерный анализ на многомерных данных, характеризующих эти системы, Цель работы – синтез и исследование методики анализа функционирования социально-экономических систем, построенного на кластеризации характеризующих их временных многомерных данных, с целью повышения эффективности принимаемых решений в управлении такими системами.

Методы. Использованы методы кластерного анализа, а также положения теории систем и математической статистики.

Результаты. Разработана методика анализа функционирования социально-экономических систем, использующая кластеризацию ее структурных элементов в пространстве временных многомерных данных. Анализ реализуется в три этапа. Во-первых, производится замена значений признаков на значения их дисперсий в рамках исследуемого временного интервала. Кластеризация с учетом новых значений признаков позволяет выявить объекты кластеризации с высокой неустойчивостью значений признаков во времени. Во-вторых, реализуется кластеризация во всех дискретных точках временной координаты с дальнейшим расчетом удаленностей объектов до центра своего кластера и их дисперсии. Анализ этих дисперсий также позволяет выявить объекты с высокой неустойчивостью данных. В-третьих, отслеживается изменение принадлежности определенному кластеру объектов, попавших ранее в поле зрения. Выявленные неустойчивости в данных позволяют косвенно судить о нестабильном функционировании анализируемой системы или умышленном искажении представленной информации.

Выводы. В рамках обоснования эффективности разработанной методики рассмотрено два случая: выявление умышленного искажения информации на примере налогового администрирования и случай выявления аномального функционирования регионов Российской Федерации на примере принятия решений в рамках управления их социально-экономическим развитием. Поведенный анализ показал хорошие результаты и позволяет рекомендовать предлагаемую методику к практическому использованию в информационных систе  мах поддержки управленческих решений.

1. Анфёров М.А. Генетический алгоритм кластеризации. Russian Technological Journal. 2019;7(6):134–150. https://doi.org/10.32362/2500-316X-2019-7-6-134-150

2. Замятина Е.Э. Кластеризация субъектов Российской Федерации по уровню развития креативных индустрий. Прогрессивная экономика. 2024;9:113–128. https://doi.org/10.54861/27131211_2024_9_113

3. Протасов Ю.М., Юров В.М. Кластеризация регионов РФ по уровню их социально-экономического развития. Вестник Московского государственного областного университета. Серия Экономика. 2022;2:95–103. https://doi.org/10.18384/2310-6646-2022-2-95-103

4. Анфёров М.А., Рашитова О.Б. SADT-моделирование системы налогообложения в Российской Федерации. Экономика и управление: научно-практический журнал. 2015;124(2):94–101. https://www.elibrary.ru/tqjqfj

5. Вылкова Е.С., Викторова Н.Г., Наумов В.Н., Покровская Н.В. Кластерный анализ регионов РФ для выявления территорий – драйверов устойчивого развития: налоговая компонента. Вестник Томского государственного университета. Экономика. 2021;53:138–157. https://doi.org/10.17223/19988648/53/11

6. Гринберг Г.М., Николаева Ю.С., Хегай Л.Б. Кластерный подход к разработке электронных образовательных ресурсов для студентов технического университета. В сб.: Решетневские чтения: Материалы XXV Международной научно практической конференции. Красноярск, 10–12 ноября 2021 г. Красноярск: Сибирский государственный универси тет науки и технологий; 2021. С. 685–687. https://elibrary.ru/yjchna

7. Носова С.А., Турлапов В.Е. Детектирование клеток мозга в оптической микроскопии на основе текстурных характеристик методами машинного обучения. Программирование. 2019;4:36–45. https://doi.org/10.1134/S0132347419040058

8. Хамад Ю.А., Зотин А.Г., Симонов К.В., Медиевский А.В., Чижова Т.Г. Обнаружение и оценка патологии молочной железы на основе нечеткой кластеризации и дискретного вейвлет преобразования. Медицина и высокие технологии. 2023;2:5–13. https://www.elibrary.ru/ujqlwd

9. Raja R., Ganeshkumar P. QoSTRP: надежный протокол маршрутизации на основе кластеризации для мобильных самоорганизующихся сетей. Программирование. 2018;6:28–41. https://doi.org/10.31857/S013234740002763-4

10. Кучуганов А.В., Кучуганов В.Н., Осколков П.П., Касимов Д.Р. Аппроксимация цветных изображений на основе кластеризации цветовой палитры и сглаживания границ сплайнами и дугами. Программирование. 2018;5:3–11. https://doi.org/10.31857/S013234740001211-7

11. Берешполов И.С., Кравченко Ю.А., Слепцов А.Г. Алгоритм кластеризации данных для защиты конфиденциальной информации в сети интернет. Известия ЮФУ. Технические науки. 2023;3(233):74–85. https://doi.org/10.18522/2311-3103-2023-3-74-85

12. Харахинов B.А., Сосинская C.С. Исследование способов кластеризации деталей машиностроения на основе нейронных сетей. Программная инженерия. 2017;8(4):170–176. https://doi.org/10.17587/prin.8.170-176

13. Кучуганов В.Н., Кучуганов А.В., Касимов Д.Р. Алгоритм кластеризации множества деталей по чертежам. Программирование. 2020;46(1):29–38. https://doi.org/10.31857/S0132347420010045

14. Матвеева И.Ю. Кластеризация розничных инвесторов и структура портфеля по классам активов. Известия Санкт Петербургского государственного экономического университета. 2023;4(142):180–184. https://www.elibrary.ru/fnmsql

15. Батрасова А.Д., Коновалова Т.В., Комаров П.И. Кластеризация как метод исследования финансовой устойчивости IT-компаний. Управленческий учет. 2022;(1-2):177–182. https://www.elibrary.ru/xaufce

16. Анфёров М.А. Формализация поиска структурных решений в САПР ТП. В сб.: Информатика: проблемы, методы, технологии: Материалы XXII Международной научно-практической конференции. Воронеж, Воронежский государственный университет, 10–12 февраля 2022 г. Воронеж: ВЭЛБОРН. 2022. С. 881–886. https://elibrary.ru/dsdxhp

17. Яковлев Д.Д., Петров Д.Ю. Применение разведочного анализа данных для кластеризации структур робототехнических сборочных комплексов. Автоматизированное проектирование в машиностроении. 2024;17:71–75. https://doi.org/10.26160/2309-8864-2024-17-71-75

18. Степанов М.А. Методика выявления структурных трансформаций временных рядов с использованием принципов нечеткой кластеризации. Вестник Рязанского государственного радиотехнического университета. 2019;69:149–159. https://doi.org/10.21667/1995-4565-2019-69-149-159

19. Кладов Д.Е., Бериков В.Б., Климонтов В.В. Алгоритм кластеризации временных рядов и его применение для анализа гликемических кривых. В сб.: ЗНАНИЯ – ОНТОЛОГИИ – ТЕОРИИ: Материалы IX Международной конференции. Новосибирск, 02–06 октября 2023 г. Новосибирск: Институт математики им. С.Л. Соболева СО РАН; 2023. С. 154–161. https://elibrary.ru/qqzzvw

20. Тищенко А.К., Плисс И.П. Сегментация многомерных нестационарных временных рядов с помощью метода нечеткой кластеризации. Восточно-европейский журнал передовых технологий. 2012;4(58):24–26. URL: https://cyberleninka.ru/article/n/segmentatsiya-mnogomernyh-nestatsionarnyh-vremennyh-ryadov-s-pomoschyu-metoda-nechetkoy-klasterizatsii. Дата обращения 02.02.2025. / Accessed February 02, 2025.

21. Дуля И.С. Применение методов глубокого обучения к задаче кластеризации временных рядов. Аллея науки. 2021;1(5):974–978. https://elibrary.ru/nokchy

22. Hurley C., Mclean J. Wavelet Analysis and Methods. Waltham Abbey: ED-Tech Press; 2021, 366 p.

23. Спирина П.В., Семенова А.Р. Кластерный анализ динамики инновационной деятельности субъектов Российской Федерации. Экономические исследования и разработки. 2021;8:42–53. https://elibrary.ru/oiqybo

24. Жихалкина Н.Ф. Динамический подход к задаче кластеризации. Математические структуры и моделирование. 2000;5:133–139. URL: https://cyberleninka.ru/article/n/dinamicheskiy-podhod-k-zadache-klasterizatsii. Дата обращения 02.02.2025. / Accessed February 02, 2025.

25. Рыжков Д.В. О методах кластеризации динамических временных рядов. В сб.: Наука. технологии. Инновации: Сборник научных трудов XVII Всероссийской научной конференции молодых ученых. Новосибирск, 04–08 декабря 2023 г. Новосибирск: НГТУ; 2024. С. 178–182. https://elibrary.ru/xykvdt

26. Зайцев Р.Д. Исследование эффективности многомерной кластеризации временных рядов для анализа динамики научно-технического развития. Перспективы развития информационных технологий. 2015;25:7–13. https://www.elibrary.ru/uhrwjt

27. Ten Holt G.A., Reinders M.J.T., Hendriks E.A. Multi-dimensional dynamic time warping for gesture recognition. In: Thirteenth Annual Conference on the Advanced School for Computing and Imaging. Netherlands: V. 300. 2007, 8 p. URL: https://www.researchgate.net/publication/228740947. Дата обращения 02.02.2025. / Accessed February 02, 2025.

28. Кочетуров А.А., Бацын М.В., Пардалос П.М. Динамика кластерных структур в сетях фондовых рынков. Журнал новой экономической ассоциации. 2015;4(28):12–30. https://www.elibrary.ru/vdzrqh

29. Kohonen T. Self-Organizing Maps. 3rd ed. Berlin – New York: Springer-Verlag; 2001, 521 p.

30. Анфёров М.А. Кластеризация в принятии решений. Информационные технологии. Проблемы и решения. 2020;2(11): 97–102. https://www.elibrary.ru/rwddvo

31. Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкротства предприятий. Управление риском. 1999;3:13–20. https://www.elibrary.ru/tdgdrb