| DC Field | Value | Language |
|---|
| dc.contributor.author | Николаев, Н. Ф. | - |
| dc.contributor.author | Макаров, А. В. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-05-05T06:50:54Z | - |
| dc.date.available | 2026-05-05T06:50:54Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Николаев, Н. Ф. Гибридные методы машинного обучения в прогнозировании качества продукции для потоковых данных в концепции индустрия 4.0 = Hybrid machine learning methods for product quality prediction on streaming data in the industry 4.0 concept / Н. Ф. Николаев, А. В. Макаров // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 1 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 141–146. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63548 | - |
| dc.description.abstract | В эпоху цифровизации промышленности (Индустрия 4.0) ключевым вызовом становится обработка непрерывных потоков сенсорных данных в реальном времени [1]. Классические статистические модели и стандартные алгоритмы машинного обучения (МО) не успевают обрабатывать возросшие объемы данных и теряют точность из-за явления дрейфа концептов (Concept Drift), вызванного износом оборудования или сменой сырья. В данной работе предлагается архитектура гибридной модели прогнозирования качества продукции, сочетающая быстрые статистические методы (ARIMA), точные модели глубокого обучения (LSTM) и мета-модель для динамического взвешивания результатов. Результаты экспериментальной апробации на данных промышленного производства (датасет SECOM) демонстрируют, что предложенный гибридный подход повышает точность прогноза на 12-15% по сравнению с одиночными моделями в условиях дрейфа и обеспечивает приемлемую задержку обработки. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | Big Data | en_US |
| dc.subject | информационные системы | en_US |
| dc.subject | гибридные модели | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | потоковые данные | en_US |
| dc.subject | прогнозирование качества | en_US |
| dc.title | Гибридные методы машинного обучения в прогнозировании качества продукции для потоковых данных в концепции индустрия 4.0 | en_US |
| dc.title.alternative | Hybrid machine learning methods for product quality prediction on streaming data in the industry 4.0 concept | en_US |
| dc.type | Article | en_US |
| local.description.annotation | In the era of industrial digitalization (Industry 4.0), a key challenge is the real-time processing of continuous streaming sensor data. Classical statistical models and standard machine learning (ML) algorithms struggle to cope with the increased volume of data and lose accuracy due to the phenomenon of concept drift, caused by equipment wear or changes in raw materials. This paper proposes a hybrid model architecture for product quality prediction, combining fast statistical methods (ARIMA), accurate deep learning models (LSTM), and a meta-model for dynamic weighting of the results. The results of experimental testing on industrial manufacturing data (SECOM dataset) demonstrate that the proposed hybrid approach increases prediction accuracy by 12-15% compared to individual models under concept drift conditions while maintaining an acceptable processing latency. | en_US |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
