Интеллектуальная поддержка при принятии управленческих решений в цикле постоянного улучшения тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Щербаков, Максим Владимирович

• Щербаков, Максим Владимирович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Щербаков, Максим Владимирович

Оглавление

Введение

Глава 1. Системный анализ процессов принятия управленческих

решений в цикле постоянного улучшения

1.1. Концепция устойчивого развития: проблемы принятия управленческих решений в цикле постоянного улучшения

1.2. Анализ процессов принятия управленческих решений в цикле постоянного улучшения

1.3. Анализ современных исследований в области разработки систем поддержки принятия решений (в том числе и управленческих решений в цикле постоянного улучшения)

1.4. Требования к интеллектуальным системам поддержки при принятии управленческих решений в цикле постоянного улучшения

1.5. Результаты и выводы по первой главе

Глава 2. Методология интеллектуальной поддержки принятия

управленческих решений в цикле постоянного улучшения на

основе интеллектуальной обработки данных

2.1. Методология: общее описание

2.2. Структура процессов принятия управленческих решений в цикле постоянного улучшения

2.3. Коннективистокие системы как базис для построения механизмов интеллектуальной обработки данных в системах поддержки принятия решений

2.4. Концепция онлайн и оффлайн конвейерной обработки данных

2.5. Выводы по второй главе

Глава 3. Методы сбора, оценки качества данных и предваритель-

ной обработки данных

3.1. Выявление проблем в процессе сбора и обработки потоков данных

3.2. Методика сбора, оценки и обеспечения качества и предварительной обработки данных

3.3. Формализованное представление потоков данных

3.4. Процессы сбора данных на основе подписки на потоки данных

3.5. Система сбалансированных показателей оценки качества данных 112 3.G. Методы идентификации пропусков и выбросов в данных и восстановления данных

3.7. Реализация механизмов оценки качества данных на основе обработки потоков данных

3.8. Выводы по третьей главе

Глава 4. Метод автоматической идентификации объекта управления на основе идентификации поведения на коротком интервале наблюдения

4.1. Введение в проблему автоматического построения моделей прогнозирования

4.2. Обзор моделей и методов прогнозирования, методов автоматического прогнозирования

4.3. Описание метода автоматического построения модели прогнозирования на основе идентификации поведения на коротком интервале наблюдения

4.4. Оценка качества модели прогнозирования

4.5. Испытание метода и обоснование эффективности реализации

4.6. Выводы по четвертой главе

Глава 5. Методики интеллектуальной поддержки при принятии управленческих решений на стадиях цикла постоянного улучшения

5.1. Методика поддержки реализации стадии инициации процесса постоянного улучшения

5.2. Методика интеллектуальной поддержки принятия управленческих решений на стадии планирования в цикле постоянного улучшения

5.3. Методика интеллектуальной поддержки принятия корректирующих и предупреждающих решений па стадии проверки в цикле непрерывного улучшения

5.4. Принципы интеллектуальной поддержки принятия решений на этапе улучшения

5.5. Концептуальная структура интеллектуальной СППР на основе интеллектуального анализа данных

5.6. Выводы по пятой главе

Глава 6. Результаты применения методологии на ряде предметных областей и обоснование их эффективности

6.1. Интеллектуальная поддержка принятия решений в энергетическом менеджменте в цикле постоянного улучшения

6.2. Управление гибридными энергетическими системами с возобновляемыми источниками энергии

6.3. Поддержка принятия решений при управлении социально-экономическими объектами

6.4. Поддержка принятия решения по управлению состояниями автомобильных дорог

Заключение

Список литературы

Приложение А. Процедура параметрической оптимизации двух-

процессной импульсной нейронной сети и ее испытание

Приложение Б. Описание архитектуры 8таг1егс1ат

Приложение В. Оценки ошибок прогнозирования и их недостатки

Приложение Г. Мар11ес1исе-Вазес1 алгоритмы выявления аномалий в энергетических данных

Приложение Д. Результаты применения методологии к системам энергетического менеджмента

Приложение Е. К проектированию систем управления социально-экономическим развитием муниципальных образований

Приложение Ж. Применение методологии при решении задачи управления дорожным хозяйством

Приложение 3. Модели гибридных энергетических систем

Приложение И. Акты внедрения результатов исследования

Введение диссертации (часть автореферата) на тему «Интеллектуальная поддержка при принятии управленческих решений в цикле постоянного улучшения»

Введение

Актуальность темы исследования. Развитие современного общества требует поиска новых подходов к управлению в промышленности, основанных па учете факта возникновения постоянных и быстрых изменений. Одним из таких подходов является реализация концепции устойчивого развития (sustainable development), неотъемлемыми частями которого являются: управление в цикле постоянного улучшения (continuous improvement) и принципы береоюливого производства (lean, kaizen). Принятие эффективных управленческих решений в цикле постоянного улучшения немыслимо без современных подходов к организации процесса управления (циклы PDCA, PDSI, РМВоК) и использования информационных технологий обработки данных, — основы для систем поддержки принятия решений (СППР). В этом случае возникает следующий вопрос: какие модели, методы, принципы наиболее эффективны для реализации поддеро/ски принятия управленческих решений в цикле постоянного улучшения?

Несмотря на большое количество исследований, связанных с построением решений в области поддержки принятия решений, автоматического управления, данный вопрос остается актуальным. Это обусловлено изменениями в условиях реализации управления, подтверждаемыми следующими ключевыми факторами:

— рост числа объектов управления, приводящий к увеличению поступаемых данных (зачастую в режиме реального времени), что приводит к проблеме эффективной обработки больших данных;

— особое внимание к реализации поддержки принятия решений на всех этапах цикла постоянного улучшения, и как результат, принятия управленческих решений как по модификации объектов управления, так и модификации систем управления для реализации политики управления;

— раскрытие потенциала управления, связанного с возможностью формирования не только корректирующих оперативных решений, на основе ана-

лиза текущей ситуации, но предупреждающих решений с использованием технологий прогнозной аналитики;

— смещение акцентов в сторону автоматического принятия решений: максимальная автоматизация операций поддержки принятия решений и снижение нагрузки на пользователя при: синтезе механизмов поддержки принятия решений, настройках моделей и оценки качества исходных данных;

— использование моделей и методов интеллектуального анализа данных, алгоритмов машинного обучения, алгоритмов выявления сложных событий из данных как вычислительного ядра, позволяющих адаптировать процесс поддержки принятия решений к изменениям в объекте.

Концептуальные и пионерские результаты исследований в области принятия решений, принятий поддержки и реализации интеллектуальных систем ППР отражены в работах Трахтенгерца Э.А., Лебедева В.Г., Геловани В.А., Петровского A.B., Ларичева О.И., Marsdcn J., Burstein F., Holsapplc C.W., Power D.J., Koehler G., Widnieyer G.R и других.

Теоретические основы синтеза проактивных систем, основанных на выявлении событий из данных, изложены в работах Tennenhouse D., Brafman R.I., Etzion О., Engel Y., Feldman Z., Niblett Р. и других. Интеллектуальные модели и методы обработки данных и поиска паттернов отражены в классических работах Shapiro-Patetsky G., Hebrail G., Nisbet R., Bishop C.M. и других. Результаты исследований, посвященные анализу потоков сенсорных данных, приведены в работах Nasereddin Н., Gaber М., McSharry P., Aggarwal С., Alzghoul A., Fan W., Kranen Р. и других.

Исходя из проблематики и анализа современных исследований в области интеллектуальных систем поддержки принятия решений, можно сформулировать фундаментальную научную проблему, па решение которой и направлено данное исследование: несовершенство моделей и методов интеллектуальной поддерэ1ски при принятии, управленческих решений в цикле постоянного улуч-

шепия.

Объектом исследования являются процессы принятия управленческих решений в цикле постоянного улучшения. Предметом исследования — интеллектуальные методы поддержки при принятии управленческих решений в цикле постоянного улучшения.

Цели и задачи диссертационной работы. Цель заключается в разработке теоретических основ интеллектуальной поддержки при принятии решений, направленных на повышение эффективности управления в цикле постоянного улучшения. Для достижения поставленной цели были сформулированы следующие задачи:

1. выполнить системный анализ структуры процессов принятия управленческих решений в цикле постоянного улучшения (на примере различных предметных областей), классифицировать проблемы, возникающие при поддержке принятия решений и сформулировать требования к системе поддержки принятия решений;

2. разработать методологию интеллектуальнрй поддержки при принятии управленческих решений в цикле постоянного улучшения, основанную на обобщенной структуре процессов управления, моделях автоматической интеллектуальной обработки данных и методиках поддержки при принятии решений на всем цикле постоянного улучшения;

3. разработать интеллектуальный вычислительный базис, позволяющий ре-ализовывать механизмы интеллектуальной обработки данных в пакетном режиме и режимах реального времени;

4. в рамках методологии разработать методы сбора, оценки и обеспечения качества данных;

5. разработать метод автоматической идентификации объектов управления на основе методов интеллектуальной обработки данных и извлечения событий из данных, позволяющий минимизировать участие лица принима-

ющего решение в процессе настройки моделей;

6. разработать методики интеллектуальной поддержки принятия корректирующих, предупреждающих управленческих решений, а также формирования автоматических решений на всех стадиях цикла постоянного улучшения.

7. разработать концептуальную структуру системы поддержки принятия решений, реализующей методы интеллектуальной обработки данных;

8. обосновать эффективность предлагаемых теоретических положений при реализации в системах поддержки принятия решений в цикле постоянного улучшения (на примере ряда предметных областей).

Научная новизна заключается в разработке методологии интеллектуальной поддержки при принятии управленческих решений в цикле постоянного улучшения, основанной на интеллектуальной обработке данных и включающей в себя:

— обобщенную структуру процессов принятия решений при управлении в цикле постоянного улучшения, включающую описание операций, информационных потоков и хранилищ данных;

— формализацию конпективистских систем, позволяющую унифицировать способ представления механизмов интеллектуальной обработки данных и осуществлять их синтез для автоматической обработки данных различных типов;

— концепцию онлайн и оффлайн конвейеров обработки данных, позволившую эффективно обрабатывать потоки данных в режиме реального времени па распределенных вычислительных структурах;

— методы оценки и улучшения качества данных, включающие в себя разработанную систему сбалансированных показателей оценки качества данных, методы идентификации пропусков и выбросов I и II типов, методы улучшения данных, которые в совокупности позволяют оценить и повы-

сить качество данных в режиме реального времени;

— метод автоматической идентификации объекта управления па основе кластеризации данных на коротких интервалах наблюдения, позволяющий: (i) повысить точность автоматического прогнозирования поведения объектов; (И) снизить участие пользователя в процессе синтеза прогнозирующих моделей;

— методики поддержки при принятии управленческих решений на стадиях цикла постоянного улучшения, включающие разработанные методы поддержки принятия корректирующих, предупреждающих, а также формирования автоматических решений управления техническими системами, позволяющие осуществлять интеллектуальную поддержку на основе методов и алгоритмов автоматической обработки данных;

— концептуальную структуру интеллектуальной системы поддержки принятия решения, включающую слои источников данных, представления, бизнес логики и хранения данных, реализующую компоненты интеллектуальной обработки данных.

Теоретическая и практическая значимость. Разработанные теоретические основы расширяют исследования в области компьютерной поддержки принятия решений и могут быть использованы для формирования новых методов интеллектуальной обработки данных, для проектирования и разработки интеллектуальных систем поддержки при принятии управленческих решений в цикле постоянного улучшения в различных предметных областях.

Разработанные в рамках методологии положения применялись при проектировании и реализации следующих компонент и систем:

— программные решения в системе энергетического менеджмента EcoSCADA (www. ecoscada. com);

— система автоматического прогнозирования временных рядов на основе иейросетевых технологий iCDMS;

— система автоматического прогнозирования потребления электроэнергии EFAS (efas.iclouddatamining.com) ;

— система выявления качества данных Data Quality Framework;

— автоматизированная система поддержки принятия решений управления транспортно эксплуатационным состоянием автомобильных дорог (АСУ Road Status);

— программный комплекс прогнозирования потребления электроэнергии на основе нечётких моделей (свид. о гос. per. N2 2013612364 от 26 февраля 2013 г);

— web-сервис интеллектуального выявления выбросов во временных рядах (свид. о гос. per. № 2011617025 от 9 сент. 2011 г.);

— web-система восстановления пропусков данных (свид. о гос. per. № 2011619362 от 7 дек. 2011 г.);

— система обработки потоков сенсорных данных Smarterdam (www. smarterdam. org);

— система обработки больших данных в инфраструктуре Hadoop: Smarterdam:2;

— компонент прогнозирования в программных продуктах компании ООО «Волгасофт-Проект» ;

— при проектировании сервисов управления гибридными энергетическими установками, использующими альтернативные источники получения энергии (солнечные панели) (ООО «Солнечные Технологии»);

— разработке сервисов интеллектуального энергетического менеджмента (ООО «ИКОМЕРС», ООО «РЕУС»),

Результаты диссертационного исследования были получены в том числе и в рамках:

— проектов РФФИ: 04-06-96500-р2004 поволжье_а «Моделирование экономических систем и модели устойчивого развития региона на примере Волгоградской области», 10-07-97008-р_поволжье_а «Разработка, примене-

нис и исследование эволюционных коннективистских моделей идентификации динамики систем на коротких интервалах наблюдения» (ответственный исполнитель), 12-01-00684 «Разработка и исследование интеллектуальных моделей поддержки принятия решения в управлении энергосбережением в условиях неопределенности» (ответственный исполнитель), 12-07-31017 «Разработка методов интеллектуальной обработки потоков сенсорных данных» (руководитель), 13-07-00219 «Интеллектуальная поддержка задач стратегического планирования на основе интеграции когнитивных и онтологических моделей» (исполнитель), 14-07-00945 «Разработка интеллектуальной системы энергетического менеджмента» (ответственный исполнитель);

- проекта № 2.1917.2014К_2014 на выполнение научно-исследовательской работы в рамках проектной части государственного задания в сфере научной деятельности при поддержке Министерства образования РФ (исполнитель);

— проектов TEMPUS: JEP_27082_2006 Network of centers for training of innovative projcct management (NCTIPM); 144641 - TEMPUS- 1-2008-1-FITEMPUS- JPCR International networking for modernization of tourism education and developing acadernic mobility (INTOUR);

— хоздоговоров с компанией Porta Capena, (Бельгия);

— совместных проектов с областной администрации Волгоградской области и с ВолгГАСУ (кафедра ЭУДХ);

— Проект с KHKempen, Бельгия «Energiemonitoring en anomalie detectie gebouwen» (2010-2011);

— Проекты с компаниями ООО «Волгасофт-Проект», ООО «Солнечные Технологии», ООО «ИКОМЕРС», ООО «РЕУС».

Методология и методы исследования. При разработке методологии применялись методы системного анализа, теории принятия решений, поддерж-

ки принятия решений, математической статистики и машинного обучения, интеллектуальной обработки данных, нечеткой логики.

Положения, выносимые на защиту.

1. Обобщенная структура процессов принятия решений при управлении объектами в цикле постоянного улучшения.

2. Формализацию коннективистских систем, позволяющую на своей основе синтезировать механизмы обработки информации в автоматическом режиме.

3. Концепция онлайн и оффлайн конвейеров обработки потоков данных и метод их формирования, обеспечивающие синтез механизмов обработки потоков данных в режиме реального времени.

4. Методы оценки и улучшения качества данных на основе системы сбалансированных показателей качества, обеспечивающие приемлемое для принятия решений качество данных.

5. Метод автоматической идентификации объекта управления на основе кластеризации данных на коротких интервалах наблюдения, позволяющий формировать прогнозные модели для множества объектов при минимальном участии пользователя.

6. Методики поддержки принятия корректирующих, предупреждающих управленческих решений на стадиях цикла постоянного улучшения на основе методов интеллектуальной обработки данных, позволяющие реализовывать эффективную поддержку при принятии решений в том числе и в автоматическом режиме.

7. Концептуальная структура четырехуровневой интеллектуальной системы поддержки принятия решения, позволяющая проектировать и разрабатывать различные архитектуры систем поддержки принятия решений.

Степень достоверности и апробация результатов. Достоверность результатов диссертационного исследования определяется корректным использованием методов исследований и математического аппарата, а также подтверждается результатами проведенных вычислений и успешного внедрения разра-

ботаиных систем интеллектуальной поддержки принятия решений.

Основные результаты диссертации докладывались па следующих конференциях (приводятся значимые): 11th Joint Conference on Knowledge-Based software Engineering, JCKBSE 2014 (Волгоград. Россия, 2014); Multi Conference on Computer Science and Information Systems (Data Mining) (Прага, Чехия 2013; Лиссабон, Португалия 2014); IEEE 3rd Eastern European Regional Conference on the Engineering of Computer Based Systems (ECBS-EERC) (2013, Будапешт, Венгрия); International Conference Statistics & its Interactions with Other Disciplines, (Хошимин, Вьетнам 2013); Strata + Iiadoop World (Ныо Йорк, США, 2013); 13th, 14th International Conference on Information Integration and Web-based Applications & Services ACM iiWAS (Хошимин, Вьетнам 2011, Бали. Индонезия 2012); IFAC Conference on Manufacturing Modelling, Management, and Control, MIM 2013, (Санкт-Петербург, Россия); Международная научно-практической конференции «Инновационные информационные технологии» (Прага, Чехия, 2013); Spatial Statistics (Колумбус, Огайо, США 2013); Конгрессы по интеллектуальным системам и информационным технологиям «IS&IT'11»,«IS&IT'12» (Дивноморское, Россия 2011, 2012); International Symposium on Forecasting (ISF 2011), (Прага, Чехия 2011); 3-й симпоз. по нейроинформатике и нейрокомпьютерам (Ростов-на-Дону, Россия, 2009); V междунар. конф. «Идентификация систем и задачи управления» (SICPRO'06), (Москва, Россия, 2006); 3-й всерос. науч. конф. «Нечёткие системы и мягкие вычисления (НСМВ-2009)», (Волгоград, Россия, 2009).

Результаты были доложены па научных семинарах: в лаборатории ELECTA Католического университета Лсвеиа (KULeuvcn) (проф. DekoninkG., Helsen, L.) (г. Левей, Бельгия); в лаборатории энергоэффсктивиости филиала KULeuvcn (кампус Томас Мура, Гиль, Бельгия); в Институте Информационных Технологий Вьетнамской Академии Наук.

Материалы диссертационного исследования легли в основу курсов «Проектирование автоматизированных систем», читаемого студентам 1 курса магистратуры и «Построение информационной системы предприятия», читаемого

слушателям программы MBA (ВолгГТУ).

Публикации Материалы диссертации опубликованы в 115 печатных работах, из них 33 статьи в рецензируемых журналах, рекомендуемых ВАК, 18 публикаций в международных источниках (из них 12 проиндексированы в Scopus). Получены 3 свидетельства о регистрации программ па ЭВМ.

Личный вклад автора заключается в разработке основных теоретических положений, выносимых на защиту; в разработке методов и методик, вошедших в структуру методологии; в постановке задач для разработки алгоритмов методов интеллектуальной обработки данных. Автором ставились задачи проведения экспериментов и разработки компонент программного обеспечения. Вклад автора в основные опубликованные работы был определяющим. Все представленные в диссертации положения, выносимые па защиту, получены лично автором, либо под его руководством.

Структура и объем диссертации Диссертация состоит из введения, обзора литературы, шести глав, заключения и библиографии. Общий объем диссертации 333 страницы, из них 268 страниц текста, включая 70 рисунков; 9 приложений. Библиография включает 281 наименование па 26 страницах.

В первой главе рассмотрено состояние проблемы компьютерной поддержки принятия управленческих решений в цикле постоянного улучшения, рассмотрено понятие устойчивого развития, проведен анализ процессов принятия управленческих решений на примере четырех предметных областей, обобщены и классифицированы в четыре группы проблемы, возникающие при реализации поддержки принятия решений, сформулированы требования к интеллектуальным системам поддержки принятия управленческих решений в цикле постоянного улучшения.

Во второй главе предложена методология интеллектуальной поддержки принятия управленческих решений в цикле постоянного улучшения. Представлена компоненты методики. На основе системного анализа процессов принятия решения в различных предметных областях разработана обобщенная структура

процессов принятия управленческих решений в цикле постоянного улучшения, в которой выделены операции, потоки данных и хранилища данных, представленные в виде диаграмм потоков данных. Впервые коппективистские системы рассмотрены как базис для построения механизмов интеллектуальной обработки данных в системах поддержки принятия решений. Разработана концепция онлайн и оффлайн конвейерной обработки данных в рамках которой предложен метод синтеза онлайн и оффлайн конвейеров.

В третьей главе разработаны методы сбора, оценки качества данных и предварительной обработки данных: выполнен обзор состояния современных исследований в области оценки качества данных по результатам которого предложена методика сбора, оценки и обеспечения качества данных и сформулированы задачи, решение которых необходимо для се реализации. Предложено формализованное представление потоков данных, сформулированы основные свойства потоков данных и структуры представления. Предложена оригинальная система сбалансированных показателей оценки качества данных, включающая критерии четырех групп: структурные, семантические, прагматические и временные. Предложены два метода, позволяющие идентифицировать выбросы в данных с высокой точностью, полнотой и достоверностью. Разработан метод], улучшения данных, использующий метод автоматического заполнения пропусков, комбинирующий результаты заполнения пропусков различными моделями с учетом весов. Обоснована, эффективность предлагаемых подходов.

В четвертой главе предложен метод автоматической идентификации объекта управления на основе кластеризации наблюдаемых переменных па коротком интервале наблюдения. Сформулированы основные проблемы автоматического построения моделей прогнозирования; выделены требования к методам автоматического прогнозирования. Разработаны: методы идентификации и прогнозирования состояний объекта на коротких интервалах наблюдения на основе кластерного анализа; метод формирования ансамблей прогнозных моделей поведения объекта для каждого состояния, основанный па методах прогнозирования

и извлечения знаний из данных. Выполнена классификация оценок качества модели прогнозирования для осуществления выбора наиболее точной модели. Показана эффективность метода в ряде экспериментов.

В пятой главе предложены методики интеллектуальной поддержки при принятии корректирующих, предупреэюдающих управленческих решений на стадиях (i) инициации, (ii) планирования, (iii) проверки и улучшения, а также формирования автоматических управляющих воздействий, в рамках которых предложены оригинальные методы. Предложена оценка качества поддержки принятия решений, учитывающая скорость обработки данных, качества результатов алгоритмов обработки данных, показатель интерпретируемости результатов обработки данных. Разработана концептуальная структура системы поддержки принятия решений, реализующая методы интеллектуальной обработки данных, для которой выделены: слой источников данных, слой представления, слой бизнес логики приложения, слой реализации механизмов ETL и хранения данных. Для каждого компонента, входящего в установленные слои приведены требования к API.

В шестой главе представлены результаты апробации методологии на примере различных предметных областей: энергетического менеджмента зданий с системами климат контроля, проектирования и управления гибридными энергетическими системами с элементами преобразования возобновляемой энергии, управления транспортпо-эксплуатационным состоянием автомобильных дорог и принятие решение по ремонту и содержанию, управление социально-экономическим развитием муниципальных образований.

Глава 1

Системный анализ процессов принятия управленческих решений в цикле постоянного

улучшения

1.1. Концепция устойчивого развития: проблемы принятия управленческих решений в цикле постоянного улучшения

Одним из результатов развития современного общества и производства является разработанная концепция устойчивого развития (Sustainable Development), получающая распространение в различных странах мира, в том числе и России [150j. Самое распространенное определение устойчивого развития (УР) было сформулировано в отчете «Наше общее будущее» ООН в 1987 году [238]. УР — это такое развитие, которое удовлетворяет потребностям нынешнего поколения без ущерба для возможности будущих поколений удовлетворять свои собственные потребности.

УР, как процесс, состоит из двух ключевых частей [274]:

- первая: определение потребностей людей, общества, производства, которые должны быть удовлетворены;

- вторая: ограничения, накладываемые состоянием технологий и социальных институтов на использование окружающей среды для удовлетворения текущих и будущих потребностей.

К наиболее эффективной практике обеспечения устойчивого развития относится формирование и реализация управленческих решений в цикле постоянного улучшения (ПУ), также известного как цикл Демиига, получившие приме-

нение в различных предметных областях [141].

Процесс ПУ включает стадии, определенные Демингом: стадии планирования. внедрения и функционирования (выполнения), проверки и корректировки (Р1ап-Оо-СЬеск-Ас1', РОСА). При ориентировании предприятий и промышленности па развитие экономики, основанной па знаниях, предлагается модификация процесса ПУ, а именно выделение стадий: планирования, выполнения, обучения (генерация знаний) и улучшения (Р1ап-Во-8и^у-1тгоуе, Р081).

Инвариантная система формирования и реализации управленческих решений, рассматриваемая в рамках данного исследования, функционирующая в цикле постоянного улучшения, представляется схемой, показанной на рисунке 1.1.

Рис. 1.1. Схема системы формирования и реализации управленческих решений в цикле постоянного улучшения

На данной схеме обозначен объект (или объекты) управления, выходные параметры которого фиксируются сенсорами. Кроме этого сенсоры фиксиру-

ют параметры, характеризующие внешнюю среду, влияющую в той или иной степени на функционирование объекта. При этом в систему включены технические системы управления объектом — системы автоматического управления или регулирования (САУ) компонентов объекта, реализующие управление в автоматическом режиме для обеспечения заданных условий функционирования. Данные технические системы управления объектом имеют встроенную программу, на основе которой осуществляется управление.

Например: в системах энергетического менеджмента под объектами понимаются здания, потребляющие электричество или газ. В качестве системы автоматического управления климатом в зданиях используются системы отопления, вентиляции и кондиционирования или системы климат контроля СКК. Данные системы имеют программы нагрева/охлаждения здания до указанной температуре к указанному времени (8е1рот1;). СКК являются с точки зрения системы энергетического менеджмента зданий компонентами значимого потребления энергии (до 40% от общего количества энергии).

Следует отметить, что в системе управления реализуются процессы формирования управляющих воздействий, направленные:

(1) на объекты управления, заключающиеся в структурной и/или параметрической модификации объекта, а также изменение способов использования объектов (модификация режимов функционирования); (и) па технические системы управления объектами, изменение конфигураций или программ.

Схема процесса формирования и реализации управленческих решений в цикле постоянного улучшения представлена на рисунке 1.2. Отметим, что па всех стадиях осуществляется процесс принятия решений, а следовательно, для повышения эффективности процесса принятия решений требуется реализация компьютерной поддержки принятия управленческих решений.

Процесс принятия решения — ключевой процесс, влияющий на качество

Принятие решений по улучшению

• модификация политики управления(целей управления);

• модификация объекта;

• модификация систем управления

Список литературы диссертационного исследования кандидат наук Щербаков, Максим Владимирович, 2014 год

Список литературы

1. Аль-Гунаид, М.А. Разработка импульсной нечёткой нейронной сети / М.А. Аль-Гунаид, М.В. Щербаков // Нечёткие системы и мягкие вычисления (НСМВ-2009): сб. ст. 3-й всерос. науч. конф., 21-24 септ. 2009 г. / ВолгГТУ [и др.]. - Волгоград, 2009. - Т. 2. - С. 89-94.

2. Аль-Гунаид, М.А. Гибридная пейронечёткая модель краткосрочного прогнозирования потребления электроэнергии / М.А. Аль-Гунаид, М.В. Щербаков // Ресурсо-эиергосбережепие и эколого-энергетическая безопасность промышленных городов : сб. матер. 4-й всерос. науч.-практ. конф., 25-28 сент. 2012 г. / Филиал МЭИ в г. Волжском. - Волжский, 2013. - С. 106-112.

3. Щербакова, H.J1. Анализ изменения энергопотребления при отмене перехода на летнее/зимнее время / Ii.Л. Щербакова, М.В.Щербаков, В.А.Камаев, C.B. Шевченко // BiciniK национального техшчного ушверситету "ХП1": зб. наук, праць. Тем. випуск "Системный апал1з, управлшня та шформащйш технологи". - 2011. - № 35. - С. 62-67.

4. Аль-Катабери, A.C. Методика прогнозирования социально-экономических показателей сети муниципальных образований на основе эволюционных кои-нективистских моделей / A.C. Аль-Катабери, В.А. Камаев, М.В. Щербаков // Прикаспийский журнал: управление и высокие технологии. - 2011. - № 4.

- С. 40-45.

5. Аль-Катабери, A.C. Формализация сети муниципальных образований для решения задач прогнозирования социально-экономического развития / A.C. Аль-Катабери, В.А. Камаев, М.В. Щербаков // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 12 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2011. - № И. - С. 70-73.

6. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г.Джепкинс; пер. с англ. - М.:Мир, 1974. - 406 с.

7. Геловани, В. А. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды / В.А. Геловани, A.A. Башлыков, В.Б. Бритков, Е.Д. Вязилов. - М.: Эдиториал УРСС, 2004. - 304 с.

8. Головко, В.А. Нейронные сети: обучение, организация и применение. Кн.4: Учеб. пособие для вузов / Общая ред. А.И.Галушкина. — М.:ИПРЖР, 2001.

— 256с.:ил.

9. Горбапь, А.Н. Нейронные сети па персональном компьютере / А.Ii. Горбань, Д.А. Россиев. — Новосибирск: Наука, 1996. — 276 с.

10. ГОСТ Р ИСО 50001-2012 Системы энергетического менеджмента. Требования и руководство по использованию. — М.:Стапдартипформ, 2012. — 52с.

11. ГОСТ Р ИСО 8000-110-2011 Качество данных. Часть 110. Основные данные. Обмен данными характеристик. Синтаксис, семантическое кодирование и соответствие спецификации данных. — М.:Стандартинформ, 2012. — 24с.

12. Ежов, A.A. Нейрокомпыотипг и его применения в экономике и бизнесе / A.A. Ежов, С.А. Шумский. Учебное пособие - Москва: МИФИ, 1998.- 224 с.

13. Лыоипг, Л. Идентификация систем. Теория для пользователя / Л. Лыоипг. —М.:Наука, Физматлит, 1991. — 320 с.

14. Ломов, A.A. Идентификация линейных динамических систем по коротким участкам переходных процессов при аддитивных измерительных возмущениях / Ломов A.A. // Известия РАН. Теория и системы управления. — 1997.

- № 3. - С. 20-26.

15. Интеллектуальные системы / Пупков К.А., Коньков В.Г.Издательство МГ-ТУ им. Н.Э. Баумана, 2003.

16. Информационное агентство "Высота 102.0"[Электронный ресурс]. - Волгоград. — 2013. — Режим доступа: http://vl02.ru/econom/31182.html

17. Камаев, В.А. Разработка методики прогнозирования социально-экономических параметров муниципальных образований / В.А. Камаев, A.C. Аль-Ката-бери, М.В. Щербаков // Вестник Брянского государственного технического университета. - 2012. - № 1. - С. 146-151.

18. Камаев, В.А. Интеллектуальная обработка информации для решения задач энергосбережения: от теории к практике / В.А. Камаев, М.В. Щербаков // Энергосбережение и эпергоэффсктивность. Волгоград-2012 : сб. докл. и вы-ступл. межрег. форума, 3-5 апр. 2012 г. / Правительство Волгогр. обл., ГУ ВО "ВЦЭВЦ "Царицынская ярмарка". - Волгоград, 2012. - С. 212-214.

19. Камаев, В.А. Интеллектуальные системы автоматизации управления энергосбережением / В.А. Камаев, М.В. Щербаков, А. Бребельс // Открытое образование. - 2011. - № 2. - С. 227-231.

20. Камаев, В.А. Абдукция в концептуальном проектировании, когнитивном моделировании и интеллектуальном анализе данных / В.А. Камаев, М.В. Щербаков // Открытое образование. - 2011. - № 2. - С. 62-67.

21. Камаев, В.А. Применение нечётких нейросетевых моделей для идентификации состояния автомобильных дорог / В.А. Камаев, М.В. Щербаков, Д.А. Скоробогатченко // Вестник компьютерных и информационных технологий.

- 2010. - № 12. - С. 36-41.

22. Камаев, В.А. Анализ социально-экономического развития муниципальных образований на примере Волгоградской области с использованием моделей data mining / В.А. Камаев, М.В. Щербаков, A.C. Аль-Катабери // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 8 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2010. - № б. - С. 103-106.

23. Камаев, В.А. Автоматизированная система прогнозирования транспортно

- эксплуатационного состояния дорог / В.А. Камаев, М.В. Щербаков, Д.В. Скоробогатченко // Вестник компьютерных и информационных технологий.

- 2004. - №4. - С. 2-6.

24. Камаев, В.А. Об одном пейросетевом подходе к идентификации сложных систем / В.А. Камаев, М.В. Щербаков // Вестник компьютерных и информационных технологий. - 2004. - №3. - С. 20-24.

25. Камаев, В.А. Модель импульсного нейрона с гетерогенной структурой связей / В.А. Камаев, М.В. Щербаков, Хунг Ань Чан // Прикаспийский журнал: управление и высокие технологии. - 2009. - № 1. - С. 43-47.

26. Камаев, В.А. Синтез эволюционной адаптивной нейросетевой модели идентификации [Электронный ресурс] / В.А. Камаев, М.В. Щербаков // Идентификация систем и задачи управления (SICPRO'06): тр. V междунар. копф., Москва, 30 янв.- 2 февр. 2006 г. / РАН, Ип-т проблем управления им. В.А.Трапезникова. - М., 2006. - С. 2071-2082.

27. Камаев, В.А. Решение задачи классификации поведения сложной системы па основе искусственных нейронных сетей / В.А. Камаев, Д.П. Панченко, М.В. Щербаков // Интеллектуальные системы (IEEE AIS'03). Интеллектуальные САПР (CAD-2003): Тр. Междунар. пауч.-техп. копф., Дивноморское, 3-10.09.2003 / Таганрог, гос. радиотехн. ун-т и др. - М., 2003. - Том I. - С. 560-562.

28. Ларичев, О.И. Системы поддержки принятия решений. Современное состояние и перспективы их развития./ О.И. Ларичев, A.B. Петровский // Итоги науки И техники. Техническая Кибернетика. — 1987. — Т. 21. — С. 131-164.

29. Макоюпоев, Б.И. Анализ и планирование электропотребления / Б.И. Мако-клюев. — М.: Эпергоатомиздат, 2008. — 296 е.: ил.

30. Маланина Д.О., Solar Energy System Design and Feasibility Study Support System / Д.О. Маланина, А.П. Тюков, М.В. Щербаков, В.А. Камаев // World Applied Sciences Journal (WASJ). - 2013. - Vol. 24, Spec. Issue 24 : Information Technologies in Modern Industry, Education & Society. - C. 117-125.

31. Маркин, A.B. Метод автоматического восстановления значений в потоках данных на основе взвешенной модели / A.B. Маркин, М.В. Щербаков // Прикаспийский журнал: управление и высокие технологии. - 2013. - № 3. -С. 49-54.

32. Методика выявления потенциала энергосбережения па основе интеллектуального анализа данных / М.В. Щербаков, Т.А. Яновский, А. Бребельс, Ii.Л. Щербакова // Прикаспийский журнал: управление и высокие технологии. -2011. - № 2. - С. 51-55.

33. Мультпагеитпая система интеллектуального управления гетерогенной энергосетью / А.П. Тюков, В.А. Камаев, М.В. Щербаков, А. Бребельс, АЛО. Уж-ва // Труды Конгресса по интеллектуальным системам и информационным технологиям "18&ЛТ'11м(Дивноморское, 2-9 септ. 2011 г.). В 4 т. Т. 1 : докл. секций междунар. науч.-техн. конференций "AIS'll"n "CAD-2011"/ ФГОУ ВПО "Южный федеральный уп-т"[и др.]. - М., 2011. - С. 221-227.

34. Методы робастпого, псйро-нечегкого и адаптивного управления / под ред. Ii.Д. Ery нова. - М.: Издательство МГТУ им. Ii. Э. Баумана, 2001. - 744с.

35. Мирксс, Е.М., Нейроинформатика: Учеб. пособие для студентов / Е.М. Мир-кес. Красноярск: ИПЦ КГТУ, 2002. - 347 с.

36. Нейроинформатика / А.Н.Горбань. В.Л.Дупин-Барковский, А.Н.Кирдин и др. — Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296с.

37. Нейрокомпьютеры / Л.Г. Комарцова, A.B. Максимов. М:Издательство МГТУ им Баумана, 2004,- 400 с.

38. Нгок Тханг Май, Моделирование и оптимизация управления интеллектуальной гибридной энергосистемой с источниками возобновляемой энергии / Нгок Тхапг Май. Ван Муон Ха, В.А. Камаев, М.В. Щербаков, Куанг Винь Тхан // Управление большими системами : электрон, сб. науч. тр. / Ин-т проблем управления им. В.А. Трапезникова РАН. - 2013. - № 46 (ноябрь). -С. 293-309. - Режим доступа : http://ubs.mtas.ru/upload/libraiy/UBS4611.pdf.

39. Нгок Тханг Май, Мультиагентный метод управления эиергопотокамп в гибридной энергосистеме с источниками возобновляемой энергии / Нгок Тханг Май, В.А. Камаев. М.В. Щербаков, Тхэ Хупг Чииь // Прикаспийский журнал: управление и высокие технологии. - 2013. - № 2. - С. 30-41.

40. Новиков, A.M. Методология / A.M. Новиков, Д.А.Новиков. — М.:СИНТЕГ, 2007. - 668 с.

41. Обзор подходов к идентификации видов деятельности человека в задачах оптимизации потребления электроэнергии / Май Нгок Тханг, Камаев В.А.,

Щербаков М.В., Тюков А.П. // Известия ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в технических системах». Вып. 14 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2012. - № 10 (97). - С. 97-101.

42. Овоейе, Дамилола М. A photovoltaic output backcast and forecast method based on cloud cover and historical data / Дамилола M. Овоейе, M.B. Щербаков, В.А. Камаев // Power and Energy Systems (AsiaPES 2013) : proceedings of the IASTED International Conference (April 10-12, 2013, Phuket, Thailand). - Phuket (Thailand), 2013. - P. 28-31.

43. Оценка трендов и идентификация динамики временных рядов па коротких интервалах наблюдения / А.А. Ломов // Известия РАН. Теория и системы управления. - 2009. - № 1. - С. 5-17.

44. Панчепко, Д.П. Implementation of Genetic Algorithms for Transit Points Arrangement / Д.П. Панченко, M.B. Щербаков // Intelligent Processing : suppl. to Int. Journal "Information Technologies and Knowledge "Vol. 3. - 2009. - Int. Book Series "Information Science & Computing № 9. - C. 129-131.- Англ.

45. Петровский, А.Б. Теория принятия решений / А.Б. Петровский. — М.: Издательский центр «Академия», 2009. — 400с.

46. Поляпцев, А.А. Прогнозирование ранних тромбогеморрагических осложнений после реконструктивных операций на магистральных артериях нижних конечностей / А.А. Поляпцев, П.В. Мозговой, Д.В. Фролов, Аль Джабри Мунасар, М.В. Щербаков // Вестник Волгоградского Государственного Медицинского Университета. — 2004. — №11. — е.: 68-72.

47. Пупков, К.А. Методы современной теории автоматического управления Том 5. Методы современной теории автоматического управления / под ред К.А. Пупкова, Н.Д. Егупова в 5 томах. — М.: Издательство МГТУ им. Н. Э. Баумана., 2004. - 784с.

48. Принципы нейродипамики: перцептроны и теория механизмов мозга / Ро-зенблатт Ф. — М.: 1965.

49. Проблемы проектирования систем прогнозирования эксплуатационного состояния автомобильных дорог на основе нечётких нейронных сетей / М.В. Щербаков, Д.А. Скоробогатчепко, А.А. Авдеев, М.А. Аль-Гунаид // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 10 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2011. - № 3. - С. 82-87.

50. Рябинпн, А.Д. Некоторые особенности разностной обработки информации в нейронных сетях/ А.Д. Рябинин, А.М, Шквар, А.И. Шевченко // Биологическая медицинская кибернетика и биопика. — 1970. — Вып. 2. — С. 13-26.

51. Свид. о гос. регистрации программы для ЭВМ № 2013612364 от 26 февраля 2013 г. РФ, МПК (нет). Программный комплекс прогнозирования потребления электроэнергии па основе нечётких моделей / М.А. Аль-Гупаид, М.В. Щербаков, В.А. Камаев; ВолгГТУ. - 2013.

52. Свид;. о гос. регистрации программы для ЭВМ № 2011617025 от 9 сент. 2011 г. РФ , МПК (нет). Web-сервис интеллектуального выявления выбросов во временных рядах / P.C. Кузнецов, М.В. Щербаков, В.А. Камаев; ВолгГТУ. - 2011.

53. Свид. о гос. регистрации программы для ЭВМ № 2011619362 от 7 дек. 2011 г. РФ , МПК (нет). Web-система восстановления пропусков данных / А.В. Маркин, М.В. Щербаков; ФГБОУ ВПО ВолгГТУ. - 2011.

54. Специфика применения интеллектуальных моделей анализа данных для повышения энергетической эффективности / М.В. Щербаков, Ii.JI. Щербакова, Д.П. Панченко, А. Бребельс, А.П. Тюков, М.А. Аль-Гупаид // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 9 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2010. - № И. - С. 72-76.

55. Тейлор, Д. Почти интеллектуальные системы. Как получить конкурентные преимущества путем автоматизации принятия скрытых решений / Д. Тейлор, П. Рэйден. —М.:Символ-Плюс, 2009. — 448с.

56. Теория нейронных сетей. Кп. 1: Учеб. пособие для вузов / А.И. Галушкин. - М.:ИПРЖР, 2000. - 416 с.

57. Трахтенгерц, Э.А. Компьютерная поддержка принятия решений / Э.А.Трахтенгерц. - М.: Синтег, 1998. - 376 с.

58. Трахтенгерц, Э.А. Компьютерные методы поддержки принятия управленческих решений в нефтегазовой промышленности / Э.А. Трахтенгерц, 10.П.Стопин, А.Ф.Андреев. - М.: Синтег, 2005 - 592 с.

59. Тюков А.П., Digital Signage Basecl Building Energy Management System: Solution Concept / А.П. Тюков, A. Ушаков, М.В. Щербаков, A. Бребельс,

B.A. Камаев // World Applied Sciences Journal (WASJ). - 2013. - Vol. 24, Spec. Issue 24 : Information Technologies in Modem Industry, Education & Society. -

C. 183-190.

60. Тюков, А.П. Концепция супервизорного управления отоплением в коммерческих зданиях с использованием прогнозирующих моделей / А.П. Тюков, В.А. Камаев, М.В. Щербаков // Прикаспийский журнал: управление и высокие технологии. - 2012. - № 3. - С. 71-76.

61. Тюков, А.П. Архитектура централизованной системы управления системами контроля микроклимата в коммерческих зданиях / А.П. Тюков, В.А. Камаев, А. Бребельс // Известия ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в технических системах». Вып. 14 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2012. - № 10 (97). - С. 101-105.

62. Тюков, А.П. Разработка методики управления микроклиматом в коммерческих зданиях / А.П. Тюков, В.А. Камаев // Информатизация и связь. -2012. - № 5. - С. 41-44.

63. Тюков, А.П. Automatic two way synchronization between server and multiple clients for IiVAC system / А.П. Тюков, М.В. Щербаков, А. Бребельс // The 13th International Conference on Information Integration and Web-based Applications <k Services (iiWAS2011), Ho Chi Minli City, Vietnam, December 5-7, 2011 : proceeding / Association for Computing Machinery. - Ho Chi Minh, 2011. - P. 467-470. - Англ.

64. Тягупов, M. Г. Системные свойства гибридных энергокомплексов на основе возобновляемых источников энергии / М. Г. Тягунов [и др..] // "Энергобез-опаспость и энергосбережение", 2012. - Т. 44, № 2 С.20-27.

65. Управление гибридной энергосистемой па основе правил/ Май Нгок Тхапг, Камаев В.А., Тхай Куанг Винь, М. В. Щербаков, Ха Ван Муон // Известия ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в технических системах». Вып. 18 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2013. - № 22 (125). - С. 106-113.

66. Фаулер, М. Архитектура корпоративных программных приложений / М. Ф аул ер. —М: Издательский дом "Вильяме 2006. — 544 с.

67. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. — 2-е изд., пер. с англ. — М.: Издательский дом "Вильяме2006. — 1104 с

68. Хусаипов, И.Ж. К диагностике автомобильных дорог / И.Ж. Хусаинов // Автомобильные дороги. — 2009. — № 4. С. 52

69. Цыпкин, Я.З. Информационная теория идентификации / Я.З.Цыпкин. —М:Наука, 1995. - 336 с.

70. Шуман, В.Д. Качество данных по ISO 8000-110:2008 / В.Д. Шуман // Мир стандартов. - 2009. - №7(38).

71. Щербаков, М.В. Методика выбора значимых параметров для краткосрочного прогнозирования энергопотребления / М.В. Щербаков, H.JI. Щербакова, А. Брсбельс // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 9 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2010. - № 11. - С. 68-71.

72. Щербаков, М.В. Применение эволюционных коннективистских моделей идентификации состояний динамики систем для решения задачи прогнозирования потребления электроэнергии в автоматическом режиме / М.В. Щербаков, И.П. Козлов, H.JI. Щербакова // Прикаспийский журнал: управление и высокие технологии. - 2011. - № 4. - С. 70-75.

73. Щербаков М.В., Двухпроцессная импульсная нейронная сеть для обработки потоков данных / Щербаков М.В., Скоробогатченко Д.А., Чаи Хунг Ань, Щербакова H.JI. // Наукоёмкие технологии. - 2013. - Т. 14, № 12. - С. 71-74.

74. Щербаков М.В., A Survey of Forecast Error Measures / М.В. Щербаков, A. Бребельс, H.JI. Щербакова, A.П. Тюков, Т.А. Яновский, В.А. Камаев // World Applied Sciences Journal (WASJ). - 2013. - Vol. 24, Spec. Issue 24 : Information Technologies in Modem Industry, Education & Society. - C. 171-176.

75. Щербаков M.B., Копнсктивистские модели идентификации динамики систем на коротких интервалах наблюдения с заданным множеством классов поведения / М.В. Щербаков, H.JI. Щербакова, И.П. Козлов, В.А. Камаев // Известия ЮФУ. Технические пауки. - 2012. - № 1. - С. 83-91.

76. Щербаков, М.В. Методика решения задачи идентификации динамики систем на коротких интервалах наблюдения с применением коннективистских моделей / М.В. Щербаков, В.А. Камаев, H.JI. Щербакова // Известия ЮФУ. Технические пауки. - 2012. - № 1. - С. 72-77.

77. Щербаков, М.В. ICDMS-программпое обеспечение как сервис для решения задач идентификации на основе коннекстивиетских систем / М.В. Щербаков // Известия ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 7 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2009. - № 12. - С. 88-91.

78. Щербаков, М.В. Сравнение моделей аппроксимации безразмерной радиальной скорости течения жидкостей во вращающихся криволинейных каналах / М.В. Щербаков, H.JI. Щербакова // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах": межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2007. - Вып.2, т. - С. 24-25.

79. Щербаков, М.В. Оптимизация управленческих решении в организационно-хозяйственных системах автодорожного комплекса с использованием моделей интеллектуального анализа данных / М.В. Щербаков, Д.А. Скоробогат-чепко // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 12 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2011. - № 11. - С. 66-69.

80. Щербаков, М.В. Automated Electric Energy Consumption Forecasting System Based On Decision Tree Appioach / М.В. Щербаков, В.А. Камаев, Ii.JI. Щербакова // 7th IFAC Conference on Manufacturing Modelling, Management, and Control, MIM 2013, Saint Petersburg, Russia, June 19-21, 2013 : IFAC Proceedings Volumes (IFAC-PapersOnline) / S.-Petersburg State Univ., S.-Petersburg National Research Univ. of Information Technologies, Mechanics, and Optics. - Saint Petersburg, 2013. - C. 1027-1032. - Англ.

81. Щербаков, М.В. Применение импульсных нейронных сетей для идентификации систем / М.В. Щербаков, Хупг Ань Чан // Материалы XV международной конференции по нейрокибернетике, 23-25 септ. 2009 г. Т. 2 : Интерфейс "Мозг-компыотер": снмпоз., 3-й симпоз. но нейроннформатпкс и нейрокомпьютерам / ЮФУ, НИИ пейрокибернетики им. А.Б. Когана [и др.]. - Ростов н/Д, 2009. - С. 219-221.

82. Щербаков, М. В. Формализация информации о социально-экономическом развитии муниципальных об-разовапий для решения задач управления / М. В. Щербаков, А. С. Аль-Катаберп // XII Международная конференция «Проблемы управления и моделирования в сложных системах», 22 - 24 июня 2009г. тезисы докл. / РАН - Самара, 2009. - С. 532-535.

83. Щербаков, М.В. Системы учёта и прогнозирования потребления эпергоре-сурсов: концепция, опыт использования, перспективы / М.В. Щербаков // Энергосбережение и энергоэффективность. Волгоград-2012 : сб. докл. и вы-стуил. межрег. форума, 3-5 апр. 2012 г. / Правительство Волгогр. обл., ГУ ВО "ВЦЭВЦ "Царицынская ярмарка". - Волгоград, 2012. - С. 165-168.

84. Щербаков, М.В. Применение нечётких нейронных сетей для краткосрочного прогнозирования потребления электроэнергии в коммерческих зданиях / М.В. Щербаков, М.А. Аль-Гуиаид // Сборник научных трудов Sworld по материалам междуиар. пауч.-практ. копф. "Современные проблемы и пути их решения в науке, транспорте, производстве и образовании '2012". - 2012. - Т. 13, № 4. - С. 53-55.

85. Яновский Т.А., Automatic Identification of Repeating Energy Consumption Profiles / T.A. Яновский, М.В. Щербаков, В.А. Камаев, А.Г. Яновский // World Applied Sciences Journal (WASJ). - 2013. - Vol. 24, Spec. Issue 24 : Information Technologies in Modern Industry, Education & Society. - C. 68-73.

8G. Яновский, Т.А. Методика предварительного анализа данных в автоматизированных системах прогнозирования потребления электроэнергии / Т.А. Яновский, М.В. Щербаков // Вестник компьютерных и информационных технологий. - 2012. - № 3. - С. 21-26.

87. Яновский, А.Г. GEFCom2012: Statement and the concept of multidimensional stochastic distributed energy consumption model identification / А.Г. Яновский, Т.А. Яновский, М.В. Щербаков // European researcher = Европейский исследователь. - 2013. - Т. 48, № 5-1. - С. 1177-1184.

88. Ярушкина, Н.Г. Основы теории нечётких и гибридных систем: учебное пособие / Н.Г. Ярушкина. — М.:Фипапсы и статистика, 2004. — 320 с.

89. A concept of web-based energy data quality assurance and control system / А.П. Тюков, А. Бребельс, М.В. Щербаков, В.А. Камаев // iiWAS2012 : The 14th International Conference on Information Integration and Web-based Applications & Services (Bah, Indonesia, December 3-5, 2012) : proc. / Association for Computing Machinery, Inc (ACM). - [N. Y.]. - P. 267-271. Eng.

90. A decade of Kasabov's evolving connectionist systems: a review / Watts M. J. // Trans. Sys. Man Cyber Part C. - 2009. - Vol. 39, No 3. - C. 253-269.

91. A pipeline-based data stream mining system for outlier detection in evolving streams / М.В. Щербаков, IO.В. Тимофеев, А.С. Сапрыкин, В.М. Трушин, А.П. Тюков, В.А. Камаев // Multi Conference on Computer Science and Information Systems 2013 (Prague, Czech Republic, July 23-26, 2013)

: Proceedings of the IADIS International Conference Intelligent Systems and Agents 2013 / IADIS (International Association for Development of the Information Society). - [Prague], 2013. - P. 84-88.

92. Aurora: a data stream management system / D. Abadi, D. Carney, U. Qetintemel, M. Chcrniaek, C. Convey, C. Erwin, E. Galvez, M. Iiatoun, A. Maskey, A. Rasin, A. Singer, M. Stonebraker, N. Tatbul, Y. Xing, R. Yan, and S. Zdonik. // In Proc. SIGMOD. ACM, New York, NY, USA.

93. Abdella, M. The use of genetic algorithms and neural networks to approximate missing data in database / M.I. Abdella, T. Marwala // Computing and Informatics. - 2006. - Vol.24. - pp. 1001-1013.

94. Aggarwal, C. A framework for clustering evolving data streams / Cliaru C. Aggarwal, Jiawei Han, Jianyong Wang, and Philip S. Yu. //In Proceedings of the 29th international conference on Very large data bases - Volume 29 (VLDB '03), Johann Christoph Freytag, Peter C. Lockemann, Serge Abiteboul, Michael J. Carey, Patricia G. Selinger, and Andreas Heuer (Eds.). — 2003, — Vol. 29. — p. 81-92.

95. Aggarwal, С. On Change Diagnosis in Evolving Data Streams / Charu C. Aggarwal // IEEE Transactions on Knowledge and Data Engineering. — 2005.

- Vol. 17, no. 5, pp. 587-600.

96. Amini, A. Density Micro-Clustering Algorithms on Data Streams: A Review / A. Arnini, T. Wall // Proceedings of the International MultiConference of Engineers and Computer Scientists IMECS. - 2011. - pp. 14 - 18.

97. Alzghoul, A. Data stream forecasting for system fault prediction / A. Alzghoul, M. Lofstrand, B.Backe // Computers к Industrial Engineering. — 2012. — 62(4).

- pp. 972 - 978.

98. Alzghoul, A. Increasing availability of industrial systems through data stream mining / A. Alzghoul, M. Lofstrand // Computers к Industrial Engineering. — 2011. - Vol. 60, Issue 2. - pp. 195-205.

99. An on-line and off-line pipeline-based architecture of the system for gaps and outlier detection in energy data stream / M.B. Щербаков, Ю.В. Тимофеев, А.С. Сапрыкин, B.M. Трушин, А.П. Тюков, H.JT. Щербакова, В.А. Камаев,

A. Бребельс // 2013 IEEE Third Eastern European Regional Conference on the Engineering of Computer Based Systems (Budapest, Hungary, Aug. 29th-30th 2013), 2013. P. 1-7.

100. Anastasi, G. An intelligent system for electrical energy management in buildings / G. Anastasi, F. Corucci, F. Marcelloni // International Conference on Intelligent Systems Design and Applications. — 2011. — pp. 702-707.

101. API Яндекс.Карт [Электронный ресурс]. — Режим доступа: http://api . yandex.ru/maps/

102. API Google Карт [Электронный ресурс]. — Режим доступа: https:// developers.google.com/maps/?hl=ru

103. Applied Multivariate Statistical Analysis / R. A. Johnson and D. W. Wichern (Eds.). - NJ, USA: Prentice-Hall, Inc., 1988.

104. Arasu, A. Stream: The Stanford data stream management system / A. Arasu,

B. Babcock, S. Babu, J. Cieslewicz, M. Datar, K. Ito, R„ Motwani, U. Srivastava, J. Widom // Technical Report, Stanford InfoLab, 2004. — pp. 21.

105. Armstrong, J. S. Evaluating forecasting methods / J.S.Armstrong // In: Chapter 14. Principles of forecasting: a handbook for researchers and practitioners. — MA USA: Kluwer Academic Publishers, Norwell, 2001.

106. Armstrong, J. S., Collopy, F., 1992. Error measures for generalizing about forecasting methods: Empirical comparisons. International Journal of Forecasting 8 (1), 69-80.

107. Armstrong, J.S. Principles of Forecasting - A Handbook for Researchers and Practitioners / J.S. Armstrong. Springer: International Series in Operations Research & Management Science, 2001. — pp. 850

108. Arning, A. Method for Deviation in Large Databases / A. Arning, R. Agiawal, P. Raghavan // Knowledge Discovery and Data Mining (KDD). — 1996. —- pp. 146-169.

109. Arnott, D. Eight key issues for the decision support systems discipline / D. Arnott, G. Pervan // Decision Support Systems. — 2008. — 44(3). — pp. 657-672.

110. Attribute-Relation File Format (ARFF) [Электронный ресурс]. — Режим доступа: http://www.cs.waikato.ac.nz/ml/weka/arff.html

111. Babu, S. StreaMon: An Adaptive Engine for Stream Query / S. Babu, J. Widom // In Proceedings SIGMOD June 13-18, 2004, Paris, France. - 2004. - pp. 4 5.

112. Balkin, S. D. Automatic neural network modeling for univariate time series / S.D. Balkin, J.K. Ord // International Journal of Forecasting. — 2000. — No. 16.

- pp. 509 - 515.

113. Balis, B. Real-time Grid monitoring based on complex event processing / B. Balis, B. Kowalewski, M. Bubak // Future Generation Computer Systems. — 2011. - No. 27(8). - pp. 1103-1112.

114. Barnett, V. Outliers in statistical data / V. Barnett, T.Lewis. Chichester:John Wiley & Sons, Inc, 1994.

115. Bechtel, W. The case for connectionism / W. Bechtel // Philosophical Studies.

- 1993. - Vol. 71. - No. 2. - pp. 119-154.

116. Big Data Computing / Edited by Rajendra Akerkar. — Norway: Western Norway Research Institute Sogndal, 2013. — p. 564

117. Bifet, A. MOA: Massive Online Analysis, a Framework for Stieam ! Classification and Clustering / A. Bifet, G. Holmes, B. Pfahringer, Ph. Kranen, H. ! Krerner, T. Hardy, T. Janscn, T. Seidl // Journal of Machine Learning Research ! (JMLR) Workshop and Conference Proceedings. — 2010. — Vol. 11.

I

| 118. Bohte, S. Spiking Neural Networks/ Sander Bolite - Amsterdam: The

Amsterdam University Press, 2002. - 150 P.

119. Brebels, A. Calculation method for the selection of the best scale- and domain-independent forecast model/ A. Brebels, M. Shcherbakov // Program and abstracts of the 31st International Symposium on Forecasting (ISF 2011), 26-29 June, 2011, Prague, ISSN 1997-4. - 2011. - pp. 157.

120. Brenna, L. Cayuga: a high-performance event processing engine / L. Brenna. A. Demers, J. Gehrke, M. Hong, J. Ossher, B. Panda, M. Riedewald, M. Thatte, W. White W. // In Proceedings of SIGMOD '07. ACM, New York, NY, USA. -2007. - pp. 1100 - 1102.

121. Breunig, M.M. LOF : Identifying Density-Based Local Outliers / M.M. Breuing, H.-P. Kriegel, R.T. Ng, J. Sander // SIGMOD-2000. - 2000. - No. 29(2). - pp. 93-104.

122. Burstein, F. International Handbook on Information Systems / F. Burstein, C. Holsapple. — Berlin Heidelberg: Springer-Verlag, 2008.

123. Building Upgrade Manual ENERGY STAR [Электронный ресурс]. — United States Environmental Protection Agency Office of Air and Radiation,

- 2008. — Режим доступа: http://www.energystar.gov/buildings/ tools-and-resources/building-upgrade-manual

124. Caisheng, W. Modeling and control of hybrid wind/photovoltaic/fuel cell distributed generation systems: a dissertation submitted in partial fulfillment of the requirement for the degree of Doctor of Philosophy in Engineering, 2006.

- 402 p.

125. Cao, G.Y. Development of a decision support system for proactive energy and maintenance management decisions / G.Y. Cao, J. Pietilainen J., T. Vcsanen, T. Kauppinen, J. Peltonen, H. Komulainen // 7th International Symposium on Heating, Ventilating and Air Conditioning - Proceedings of ISHVAC. — 2011. — Vol. 4. - pp. 1153 - 1158.

126. Chandrasekaran, S. TelegraphCQ: Continuous dataflow processing for an uncertain world /S. Chandrasekaran, et al // In Proceedings CIDR Conference.

- 2003. - pp. 647-651.

127. Comparative models for electrical load forecasting / D.W. Bunn and E.D. Farmer. - Belfast: Wiley, 1985 - pp. 232.

128. Cranor, C. Gigascope: A stream database for network applications / C. Cranor, T. Johnson // In Proc. of the 2003 ACM SIGMOD. - 2003.

129. Capabilities of Autobox [Электронный ресурс]. — Autobox, 2014. — Режим доступа: http://www.autobox.com/cms/index.php/afs-university/ autobox-examples/modeling-with-autobox

130. Chen, Z. Assessing Forecast Accuracy Measures [Электронный ресурс] / Z. Chen, Y. Yang. — 2004. — Режим доступа: http://www.stat.iastate.edu/ preprint/articles/2004-10.pdf.

131. Chen, Y.-L. From data to global generalized knowledge / Y.-L. Chen, Y.-Y. Wu, R.-I. Chang // Decision Support Systems. — 2012. - No. 52(2). - pp. 295-307.

132. Classical and connectionist models: Levels of description / Josep E. — Synthese Volume 95, Number 2, 1995. - pp. 141-168.

133. Climate data [Электронный ресурс]. - Режим доступа: http: //www.valentin\T2A\textendashsoftware.com/en/downloads/climate\ T2A\textendashdata .

134. Connectionism, eliminativism, and the semantic view of theories / John Bickle et al. — SpringerLink - Erkenntnis, 1993. — pp. 359-382.

135. Connectionism (Stanford Encyclopedia of Philosophy) [Электронный ресурс]. — 2014. —Режим доступа: http://plato.stanford.edu/entries/ connectionism/.

136. Cuk Supriyadi, A. N. Control Scheme of Hybrid Wind-Diesel Power Generation System / A. N Cuk Supriyadi, Ii. Takuhei, G. Tadahiro // From Turbine to Wind Farms - Technical Requirements and Spin-Off Products, 2011.

137. Data Mining with SQL Server 2005 / Zhao Ii. T., MacLennan J. - Wiley Publishing, Inc., 2007.

138. Data preparation for research on energy efficiency of buildings / Хржановская O.A., Тюков А.П., Щербаков М.В., Бребельс А., Шевченко С. // Innovation Information Technologie : mater, of the 3rd Int. scien.-pract. conf. (Praque, April 21-25, 2014). Part 3 / МИЭМ ВШЭ, Рос. центр науки и культуры в Праге. -М., 2014. - С. 131-136.

139. Das HDM-III-Modell und seine Bedeutung fur das Management der Strafienerhaltung / Srsen M. et al // Asphaltstrasse. - 1993. — No. 3. — pp. 14-16.

140. De Veaux, R. D. Prediction intervals for neural networks via nonlinear regression / R.D. De Veaux, J. Schweinsberg, J. Schumi, L.H. Ungar // Technometrics. - 1998. - No. 40(4). - pp. 273-282.

141. Decision support systems for sustainable development. A Resource Book of Methods and Applications / G.E. Kersten, M. Zbignicw, A. Gar-On Yeh(Eds.), 1999. - pp. 423.

142. Discovering knowledge in data: an introduction to data mining / Larose D. T. et al. - John Wiley к Sons, Inc., 2005.

143. Dusi, В. Energy management and efficiency - A systems approach / B. Dusi, R. Schultz // Cement Industry Technical Conference. — 2012. — pp.1 - 8.

144. Energy Program Assessment Matrix [Электронный ресурс]. — 2014. — Режим доступа: http://www.energystar.gov/buildings/tools-and-resources/ energy-program-assessment-matrix-excel.

145. Energy Savings at Home [Электронный ресурс]. — 2014. — Режим доступа: https: //www. energystar. gov/campaign/assessYourHome.

146. Engel, Y. Towards proactive event-driven computing / Y. Engel, O. Etzion // In Proceedings of the 5th ACM international conference on Distributed event-based system (DEBS '11). ACM, New York, NY, USA. - 2011. - pp. 125-136.

147. Engel, Y. A basic model for proactive event-driven computing / Y. Engel, O. Etzion, Z. Feldrnan // Proceedings of the 6th ACM International Conference. — 2012. -- pp. 107 118.

148. Entrop, A.G. Evaluation of energy performance indicators and financial aspects of energy saving techniques in residential real estate / A.G. Entrop, H.J. Brouwers, II., A.II.M.E. Reinclers // Energy and buildings. - 2010. — No. 42 (5). - pp. 618-629.

149. Etzion, O. Event processing in action / O. Etzion, P. Niblett . — Greenwich, CT, USA: Manning Publications Co, 2010.

150. European Commission Research & Innovation, Key Enabling Technologies. Sustainable Process Industry (SPIRE) [Электронный ресурс]. — 2014. — Режим доступа: http://ее.europa.ей/research/industrial_technologies/ sustainable-process-industry_en.html

151. European Energy Security Strategy, Communication from the commission to the european parliament and the council, Brussels, 28.5.2014 [Электронный ресурс]. — 2014. — Режим доступа: http://ec.europa.eu/energy/doc/ 20140528_energy_security_communication.pdf

152. Figueiredo, J. A SCADA system for energy management in intelligent buildings / J. Figueiredo, J. Sa Da Costa // Energy and Buildings. — 2012. — No. 49. — pp. 85 - 98.

153. Fischer, J.R., An improved pavement management system / J.R. Fisher, G.R. Ilackenberg // Public Works. - 1986. - No. 10. - pp. 53-54.

154. Forecasting and time series analysis / D.C. Montgomery, L.A. Johnson, J.S. Gardiner. - New York: McGraw-Hill, 1990.

155. FP7 Energy-efficient Buildings (EeB) [Электронный ресурс]. — 2014. — Режим доступа: http://ее.europa.eu/research/industrial_technologies/ energy-efficient-buildings_en.html

156. Fukushima, К. Energy management system using ICT / K. Fukushima, M. Katou, S. Terasawa. N. Nisliikawa // NEC Technical Journal. — 2012. — No. 7(1). - pp. 87-91.

157. Gaber, M.M. Advances in data stream mining / M.M. Gaber // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. — 2012. — No. - 2(1). - pp. 79-85.

158. Ganguly, A.R. Knowledge Discovery from Sensor Data (1st ed.) / A.R. Ganguly, et al. - Boca Raton, FL, USA:CRC Press, Inc., 2008.

159. Gartner Survey Analysis: Customers Rate Their BI Platform Functionality / Rita L. Sallam [Электронный ресурс). — 2013.

— Режим доступа: http://www.panorama.com/home-page/ gartner-research-customer-ratе-their-bi-platform-vendors-2013

160. Gayadhar, P. Automatic Generation Control of Interconnected Power System with Generation Rate Constraints by Hybrid Neuro Fuzzy Approach / P. Gayadhar, P. Sidhartha, A. Ccmal // International Journal of Electrical and Electronics Engineering. - 2009,- P. 532-537.

161. Georgiadis, D. Continuous outlier detection in data streams: an extensible framework and state-of-the-art algorithms / D. Georgiadis, M. Kontaki, A. Gounaris, A. N. Papadopoulos, K. Tsichlas, Y. Manolopoulos // SIGMOD Conference 2013. - 2013. - pp. 1061-1064.

162. Gerstner, W., Pulsed Neural Networks/ edited by W. Maass, С. M. Bishop. -Cambridge, Massachusetts, London, England: The MIT Press, 1998. - 377 P.

163. Girod, L., XStream: a Signal-Oriented Data Stream Management System / L. Girod, et al // 2008 IEEE 24th International Conference on Data Engineering.

- 2008. - pp. 1180-1189.

164. Goodwin, P. On the asymmetry of the symmetric MAPE / P. Goodwin, R. Lawton // International Journal of Forecasting 15 (4). — 1999. — pp. 405-408.

165. Gooijer, J. G. D. 25 years of time series forecasting / J. G. D. Gooijer, R. J. Hyndman // International Journal of Forecasting. — 2006. — No. 22 (3). — pp. 443-473.

166. De Gooijer, J. G. On the cumulated multi-stepahead predictions of vector autoregressive moving average processes / J. G. De Gooijer, A. Klein // International Journal of Forecasting. — 1991. — No. 7. — pp. 501 - 513.

167. Grubbs, F.E. Extension of Sample Sizes and Percentage Points for Significance Tests of Outlying Observations / F.E. Grubbs, G.Beck // Technometrics. — 1972. - Vol. 14. - No 4. - pp. 847-854.

168. Gu, X. Online Failure Forecast for Fault-Tolerant Data Stream Processing / X. Gu, S. Papadimitriou, P.S. Yu, S.P. Chang // IEEE 24th International Conference on Data Engineering. - 2008. - pp. 1388-1390.

169. Iiammad, M. A. Data Stream Management Systems and Architectures / M.A. Ilammad, T.M. Ghanerii, W.G. Aref, A.K. Elmagarmid, M.F. Mokbel M.F.. — In J. Gama &: M. Gaber (Eds.) Learning from Data Streams, Berlin Heidelberg: Springer, 2007. - pp. 51 - 71.

170. Hawkins, D.M. Identification of outliers / D.M. Hawkins, London, New York: Chapman and Hall, 1980.

171. Нее, S. K. Power Quality Control of Hybrid Wind Power Generation System Using Fuzzy-Robust Controller / S. К. Нее, J. K. Min, J. B. Chang // Lecture Notes in Computer Science, 2008,- Vol. 4985.- P. 127-136.

172. Hernandez, M.A. Real-world Data is Dirty : Data Cleansing and The Merge / M.A. Hernandez // Purge Problem. - 1998. - No. 37. - pp. 9 - 37.

173. EcoSCADA [Электронный ресурс]. — 2014. — Режим доступа: http://ecoscada.com

174. Hill, D.J. Anomaly detection in streaming environmental sensor data: A data-driven modeling approach / D.J. Hill, B.S. Minsker // Environmental Modelling and Software. - 2010. - No. 25(9). - pp. 1014-1022.

175. Holsapple, C. Decisions and Knowledge. Handbook on Decision Support Systems 1, (Cosgrove). [Электронный pecypc|. 2008. - Режим доступа: http://www.springerlink.com/index/gl82q711470w2510.pdf.

176. Holt, С. C. Forecasting seasonals and trends by exponentially weighted averages // Reprinted with discussion in 2004. International Journal of Forecasting. -2004. - No. 20. - pp. 5 13.

177. Hyndman, R. J. Another look at measures of forecast accuracy / R. J. Hyndman, A. B. Koehler // International Journal of Forecasting. — 2006. — No. 22 (4). - pp. 679-688.

178. Hyndman, R.J. Automatic Time Series Forecasting: The forecast Package for R / R.J. Hyndman, Y. Khandakar // Journal of Statistical Software. — 2008. — 27(3).

179. Implementation of Statistical Methods and Data Stream Mining Approaches in Energy Management Systems for Automatic Forecasting / M.B. Щербаков, В.А. Камаев, А. Бребельс, А.П. Тюков, H.JI. Щербакова, T.A. Яновский // Proceedings of International Conference Statistics & its Interactions with Other Disciplines, 4-6 June, 2013. - Ho Chi Minh City, 2013.

180. Intelligent controller for hybrid renewable energy system based on multi-agent and embedded technology / А.П. Тюков, A.10. Ужва, M.B. Щербаков, A. Dobrowolski, А. Бребельс // Artificial Intelligence Applications to Business and Engineering Domains / ed. by G. Setlak, K. Markov. - Rzeszow ; Sofia : ITHEA, 2011. - P. 46-52. - Англ.

181. ISO DIS 50002 Energy Audit [Электронный ресурс]. - 2014.

182. ISO/DIS 50004 Energy management systems - Guidance for the implementation, maintenance and improvement of an energy management system [Электронный ресурс]. — 2014.

183. ISO CD 50006 Measuring Energy Performance [Электронный ресурс]. — 2014.

184. ISO DIS 50015 Measurement and Verification of Guidance and Principles for Organizations [Электронный ресурс]. — 2014.

185. ISO 9000:2005, Quality management systems - Fundamentals and vocabulary. [Электронный ресурс]. — 2014.

186. Jason, К. The Big Data Revolution / K. Jason, K. Jeremy. IL USA:Plainfield, 2009.

187. Java EE 6 Tutorial. - 2013. - Режим доступа: http://docs.oracle.com/javaee/6/tutorial/doc/docinfo.html

188. Jiawei Han, J.G. Research Challenges for Data Mining in Science and Engineering / J.G. Jiawei Han, J. Han, J. Gao // Challenges.- 2009.- pp. 1-18.

189. Jin, W. Ranking Outliers Using Symmetric Neighborhood Relationship. / W. Jin, А. К. H. Tung, J. Han // Pacific-Asia Conf. on Knowledge Discovery and Data Mining (PAKDD)(Singapore). - 2006.

190. Juhari, A. R. Optimal operational strategy for hybrid renewable energy system using genetic algorithms / A. R. Juhari, K. Sopian, M. N. Zulkifli // 12th WSEAS Int. Conf. on applied mathematics (Cairo, Egypt). -2007.

191. Kaggle: The Home of Data Science / https://www.kaggle.com/

192. Kasabov, N. Evolving Connectionist Systems / N. Kasabov. — Springer, 2007. - p. 451.

193. Kerekes, L. Energy management systems (EnMs) - new step towards environmental oriented management / L. Kerekes, Z. Csernatoni // Quality -Access to Success. - 2012. - No. 13(SUPPL. 2). - pp. 106 - 111.

194. Klialid, M. A model predictive control approach to the problem of wind power smoothing with controlled battery storage / M. Khalid, A.V. Savkin // Renewable Energy, 2010,- Vol. 35.- P. 1520-1526.

195. Klein, M. Expert systems - a decision support approach with applications in management and finance / M. Klein, L. Methlie. — Addison-Wesley. — 1990. — 539pp.

196. Knorr, E.M. Algorithms for Mining Distance-Based Outliers in Large Datasets / E.M. Knorr, R.T. Ng // Proc. of the 24th International Conference on Very Large DataBases. — 1998.

197. Knowledge discovery in databases: an overview / Frawley W. J., Patetsky-Shapiro G., Mathews C. J. // Cambridge: AAAI/MIT Press. - 1991.

198. Koehler, A. B. The asymmetry of the sAPE measure and other comments on the M3-competition / A.B. Koehler // International Journal of Forecasting. — 2001. - No. 17. - pp.570- 574.

199. Kolassa, S., Percentage errors can ruin your day (and rolling the dice shows how) / S. Kolassa, R. Martin // Foresight Fall. - 2011. -p.21-27.

200. Kranen, P Stream Data Mining Using the MOA Framework / P. Kranen et al // DAS FA A (2), 2012. - pp. 309-313.

201. Kriegel, Ii.-P. Outlier Detection Techniques /H.-P. Kriegel, P. Kroger, A. Zimek // Tutorial at the 16th ACM International Conference on Knowledge Discovery and Data Mining (SIGKDD). - 2010.

202. Krishna, T. C. Hybrid neuro-fuzzy system for power generation control with environmental constraints / T. C. Krishna, P. Manjaree, S. Laxmi // Energy Conversion and Management, 2008.-Vol. 49.-P. 2997-3005.

203. Kunkle, D K. Pulsed Neural Networks and their Application/ Daniel R. Kunkle, Chadd Merrigan. - Rochester, USA. — 2002. - pp. 1-11.

204. Kunst, R. M. Toward a theory of evaluating predictive accuracy: Tech. rep. /R. M. Kunst, A. Jumah. — University of Vienna and Institute for Advanced Studies Vienna University of Vienna. — 2004.

205. Language of Thought: The Connectionist Contribution / Murat Aydede // Minds and Machines 7: 57-101, 1997. c 1997 Kluwer Academic Publishers. Printed in the Netherlands.

206. Large-Scale Automatic Forecasting Millions of Forecasts with SAS HighPerformance Forecasting, A SAS White Paper [Электронный ресурс]. — Режим доступа: http://support.sas.com/rnd/app/ets/papers/largescale.pdf

207. Larose, D.T. Discovering knowledge in data: an introduction to data mining / D.T. Larose. - John Wiley & Sons, Inc. - 2005.

208. Leonard, M., Large-Scale Automatic Forecasting: Millions of Forecasts, [Электронный ресурс]. —NC, USA:SAS Institute Inc. Сагу. — Режим доступа: https://support.sas.com/rnd/app/ets/papers/largescale.pdf

209. Lewis, A. Development of a decision support system for proactive energy and maintenance management decisions / A. Lewis, A. Elmualim // In Association of Researchers in Construction Management, ARCOM 2011 - Proceedings of the 27th Annual Conference. - 2011. Vol. 2. - pp. 1135-1144.

210. Louis, A. A hybrid system-identification method for forecasting telecommunications product demands / A. Louis, Jr. Cox, D.A. Popken // International Journal of Forecasting. -- 2002. — Vol. 18. — Issue 4. — pp. 647-671.

211. Loureiro, A., Outlier detection using clustering methods: a data cleaning application / A. Loureiro, L. Torgo, C. Soares // KDNet Symposium on Knowledge-based Systems for the Public Sector. — Bonn, Germany. — 2004.

212. Liua, M.A. Novel Approach to Mining Local Outliers / M.A. Liua // Energy Procedía. - 2011. - Vol. 13. - pp. 6332-6339.

213. Ma, J. Demand reduction in building energy systems based on economic model predictive control / J. Ma, J. Qin, T. Salsbury, P. Xu // Chemical Engineering Science. - 2012. - No. 1(67). - pp. 92-100.

214. Maass, W. Networks of Spiking Neurons: The Third Generation of Neural Network Models / W. Maass // Neural Networks. - 1996. - Vol. 10. - pp. 1659-1671.

215. Makridakis, S. Accuracy measures: Theoretical and practical concerns / S. Makridakis // International Journal of Forecasting. — 1993. — No. 9. — pp. 527529.

216. Makridakis, S. Forecasting: Methods and applications / S. Makridakis, S. C. Wheelwright, V. E. McGee, // Journal of Forecasting. - 1983. - No. 3 (4). -pp. 923.

217. Makridakis, S. The M3-Corripetition: results, conclusions and implications / S. Makridakis, M. Hibon // International Journal of Forecasting. — 2000. — No. 16 (4). - pp. 451-476.

218. Mahmoud, E. Accuracy in forecasting: A survey / E. Mahmoud // Journal of Forecasting. - 1984. - No. 3 (2). - pp. 139-159.

219. Martinez, A. Biodq: A Model for Data Quality Estimation and Management in Biological Databases: Ph.D. Dissertation / Alexandra Martinez. — University of Florida, Gainesville, FL, USA, 2007.

220. McCallum, E. Bad Data Handbook: Mapping the World of Data Problems / E. McCallum. - O'Reilly Media, 2012. - p.264.

221. McCallum, E. Bad Data Handbook: Cleaning Up The Data So You Can Get Back To Work / E. McCallum. - O'Reilly Media, 2012. - p.248.

222. Micro-Request-Based Aggregation, Forecasting and Scheduling of Energy Demand, Supply and Distribution: Specific Targeted Research Project. — TUD, 2010.

223. Mathematical and statistical framework for comparison of neural network models with other algorithms for prediction of energy consumption in shopping centres / А. Бребельс, В.А. Камаев, M.B. Щербаков, Д.П. Панченко, А.П. Тюков // Информационные технологии в науке, образовании, телекоммуникации и бизнесе (IT-i-SE'10). Майская сессия (Украина, Крым, Ялта-Гурзуф, 20-30 мая 2010 г.) : матер. XXXVII междупар. конф. и дискуссионного науч. клуба : прилож. к жури. "Открытое образование"/ РАН [и др.]. - Б/м, 2010. - С. 96-97,- Англ.

224. McSharry, P. Stream Analytics for Forecasting / P. McSharry // Foresight. -2012. - No. 24. - pp.7-12.

225. Moharned, S. Neural network based techniques for estimating missing data in databases / S. Mohamed, T. Marwala // The 16th Annual Symposium of the Patten Recognition Association of South Africa, Langebaan. — 2005. — pp.27-32.

226. Mohamed, A.Z. Fuzzy Logic Control Based Maximum Power Tracking of Wind Energy System / A. Z. Mohamed, M. N. Eskander, and F. A. Ghali // Renewable Energy. - 2001. - Vol. 23. - No. 2001. - pp. 235-245.

227. Munda, J. Fuzzy Logic Control in Hybrid Power Systems / J. Munda, H. Miyagi // Fuzzy Logic Control in Hybrid Power Systems. — 2001. - Vol. 1. — pp. 433-436.

228. Multiagcnt, smart-grid management system / А.П. Тюков, В.А. Камаев, M.B. Щербаков, А. Бребельс, A.IO. Ужва // Proceedings of the Congress on intelligent systems and information technologies "IS&IT'12". Vol. 4 : [аннот. докл.] / SFU fet al.]. - Moscow, 2012. - C. 46.

229. Multiagent smart-grid management system / А.П. Тюков, В.А. Камаев, M.B. Щербаков, А. Бребельс, АЛО. Ужва // Proceedings of the Congress on intelligent systems and information technologies (IS&IT'll). Vol. 4 : / SFU [et al.j. - Moscow, 2011. - C. 90-91. - Англ.

230. NOAA - National Oceanic and Atmospheric Administration [Электронный ресурс]. — 2012. — Режим доступа: http://www.noaa.gov/

231. Newbold, P. ARIMA model building and the time series analysis approach to forecasting / P. Newbold // Journal of Forecasting. — 1983. — No. 2. — pp. 23

- 35.

232. Nisbet, R. Handbook of Statistical Analysis and Data Mining Applications / R. Nisbet, J. Elder, G. Miner. — Academic Press, 2009.

233. NRK og Meteorologisk institutt [Электронный ресурс]. — 2012. — Режим доступа: http://www.yr.no/

234. Oldewurtel, F. Energy efficient building climate control using Stochastic Model Predictive Control and weather predictions / F. Oldewurtel, A. Parisio, C.N. Jones, M. Morari, D. Gyalistras. M. Gwerder, V. Stauch, B. Lehmann, K. Wirth // American Control Conference (ACC). - 2010. - pp.5100 - 5105.

235. Omitaomu, O. A. Knowledge discovery from sensor data (SensorKDD) / O.A. Omitaomu, R.R. Vatsavai, A.R. Ganguly, N.V. Chawla, J. Gaina, M.M. Gaber // SIGKDD Explor. Newsl. New York, NY, USA: ACM. - 2010. - No. 11(2).

- pp. 84-87.

236. Open Street Map RU:API v0.6 OpenStreetMap Wiki [Электронный ресурс].

- 2014. — Режим доступа: http://wiki.0penstreetmap.0rg/wiki/RU:API_ v0.61

237. OptiControl: Use of weather and occupancy forecasts for optimal building climate control. [Электронный ресурс]. — 2012. — Режим доступа: http: //www.opticontrol.ethz.ch/index.html

238. Our Common Future: Report of the World Commission on Environment and Development, 1987.

239. Papadimitriou S. LOCI: Fast Outlier Detection Using the Local Correlation Integral / S. Papadimitriou, H. Kitawaga, P.B. Gibbons // Proc. IEEE Int. Conf. on Data Engineering (ICDE). Hong Kong, China. — 2002.

240. Pedregosa, F. Scikit-learn: Machine Learning in Python / F. Pcdregosa et al // Journal of Machine Learning Research. - 2011. - No. 12. - pp. 2825-2830.

241. Poliantsev, A.A. Prognosis of complications after reconstructive surgeries on the aorto-iliac segment / A.A. Poliantsev, P.V. Mozgovoi, D.V. Frolov, M.V. Shcherbakov // Khirurgiia. - 2004. - No. 4. - pp. 9 - 12.

242. Power, D. Decision support systems: A historical overview. Handbook on Decision Support Systems 1. / D. Power. — Springer Berlin Heidelberg, 2008.

- pp. 121-140.

243. Price, R. Data Quality and Decision Making, Handbook on Decision Support Systems 1. / R. Price, G. Shanks — Springer Berlin Heidelberg, 2008. — pp. 65-82.

244. Privara, S. Model predictive control of a building heating system: The first experience / S. Prfvara, J. Siroky, L. Ferkl, J. Cigler // Energy and Buildings.

- 2011. - Vol. 43. - Issues 2-3. - pp. 564-572.

245. Qiao, W. Continuous on-line identication of nonlinear plants in powersystcms with missing sensor measurements / W. Qiao, Z. Gao, R. G. Harley // Proc. of Intel. Joint Conf. on Neural Networks. - 2005. — pp. 1729-1734.

246. REST, Web services, REST-ful services: A simple approach to REST-enable Java Business Services [Электронный ресурс]. — IBM, Developer Works, 2010.

- Режим доступа: http://www.ibm.com/developerworks/webservices/ library/ws-RESTservices/

247. Riviere, N. Système de programmation des travaux d'entretien des chaussees / N. Riviere, H.T. Evdorides, H.G.R. Kerali, A. Spernol // Rev. gen. routes et aerodr. - 2000. - No. 788. - pp. 20-25.

248. Rodolfo, D. Design and control strategies of PV-Diesel systems using genetic algorithms / D. Rodolfo, L. Jose // Solar Energy. - 2005. - Vol. 79. - pp. 33-46.

249. Ruts, I. Computing depth contours of bivariate point clouds / I. Ruts, P.J. Rousseeuw // Computational Statistics & Data Analysis. — 1996. — Vol. 23. — No. 1996. - pp. 153-168.

250. Sami, Y. Modelling and control of hybrid renewable energy system connected to AC grid / Y. Sami, J. Moncef // International Journal on Computer Science and Engineering (IJCSE). - 2011. - Vol. 3 - No. 12. - pp. 3854-3865.

251. Smith, L.B. Different is good: connectionism and dynamic systems theory arc complementary emergentist approaches to development / L.B. Smith, L.K. Samuelson // Developmental Science. — 2003. — No. 6(4). - pp. 434-439.

252. Schafer, A. Recurrent neural networks are universal approximators / A. Schafer, H. Zimmermann // Artificial Neural Networks-ICANN. - 2006. — pp. 632-640.

253. Shcherbakov, M. MapReduce-based algorithms for outlier detection in energy data / M. Shcherbakov, A. Tyukov // Proceedings of the IADIS International Conference Data Mining 2014 / IADIS (International Association for Development of the Information Society). — 2014. — pp. 257-259.

254. Shcherbakov, M. Lean Data Science Research Life Cycle: A Concept for Data Analysis Software Development / M. Shcherbakov, N. Shcherbakova, A. Brebels, T. Janovsky, V. Kamaev // Knowledge-Based Software Engineering Communications in Computer and Information Science Volume. — 2014. — Vol. 466. - pp. 708-716.

255. Shcherbakov, M. Outliers and anomalies detection based on neural networks forecast procedure / M. Shcherbakov, A. Brebels // Program and abstracts of the 31st International Symposium on Forecasting (ISF 2011), Prague, Czech Republic. - 2011. p. 61.

256. Sopian, K. Optimal operational strategy for hybrid renewable energy system using genetic algorithms / K. Sopian, A. Zaharim, Y Ali // WSEAS transactions on mathematics. 2008.- Vol. 7. - No. 4. - pp. 130-140.

257. Stluka, P. Data-driven decision support and its applications in the process industries / P. Stluka, K. Marik // Computer Aided Chemical Engineering. — 2007. - No. 1-6.

258. Swanson, D. A. MAPE-R: a rescaled measure of accuracy for cross-sectional subnational population forecasts / D. A. Swanson, J. Tayirian, T. M. Bryan // Journal of Population Research. - 2011. - No. 28 (2-3). - pp. 225-243.

259. Tian, L. Research on prediction models over distributed data streams // / L. Tian, A. Li, P. Zou // Pioceedings of the 7th international conference on Web Information Systems. Berlin, Heidelberg. Springer-Verlag. — 2006. — pp. 25-36.

260. Theodosiou, M. Forecasting monthly and quarterly time series using STL decomposition / M. Theodosiou // International Journal of Forecasting. — 2011. - No. 27 (4). - pp. 1178-1195.

261. Thompson B. B. On the contractive nature of autoencoders: Application to sensoi lestoration / B.B. Thompson, R.J. Marks, M.A. El-Sharkawi // Proc. of the International Joint Conference on Neural Networks. — 2003. Vol.4. — pp.3011-3016.

262. Trifkovic, M. Modeling and Control of a Renewable Hybrid Energy System with Hydrogen Storage / M. Trifkovic, M. Sheikhzadeh, K. Nigim // IEEE Transactions on Control Systems Technology. — 2012.

263. Trifkovic, M. Dynamic Real-Time Optimization and Control of a Hybrid Energy System / M. Trifkovic, M. Sheikhzadeh, P. Daoutidis // 2013 European Control Conference (ECC) July 17-19 2013, Zurich, Switzerland. - 2013.

264. Trifkovic, M. Hierarchical Control of a Renewable Hybrid Energy System / M. Trifkovic, M. Sheikhzadeh, P. Daoutidis // In Proc. 51st; IEEE Conference on Decision and Control , Maui, Hawaii, USA. — 2012.

265. Troyanskaya, O. Missing value estimation methods for DNA microarrays / O. Troyanskaya, et, al // Bioinformatics. — 2001. — Vol. 17. — pp.520-525.

266. Tsaregorodtsev, V.G. Parallel implementation of back-propagation neural network software on SMP computers / / Tsaregorodtsev, V.G. // Lecture Notes In Computer Science 3606 (PaCT-2005 Proceedings), Springer-Verlag. — 2005. -pp.185-192.

267. Tukey, J. Exploratory Data Analysis / J. Tukey. — Addison-Wesley, 1977.

268. Tyulkina, E. Evaluation of Interaction Level between Potential Drug and Protein by Hydrogen Bond Energy Calculation / E. Tyulkina, P. Vassiliev, T. Janovsky T, M. Shchcrbakov // Knowledge-Based Software Engineering Communications in Computer and Information Science. — 2014. — Vol. 466. - pp. 542-555.

269. Using connectionist systems for electric energy consumption forecasting in shopping centers / B.A. Камаев, M.B. Щербаков, Д.П. Папчспко, Ii.JI. Щербакова, А. Бребельс // Automation and Remote Control. - 2012. - Vol. 73, № 6. - С. 1075-1084. - Англ. (оригинал: Применение копнективистских систем для прогнозирования потребления электроэнергии в торговых центрах / В.А. Камаев, М.В. Щербаков, Д.П. Панченко, H.JI. Щербакова, А. Бребельс // Управление большими системами : сб. тр. / Ин-т проблем управления им. В.А. Трапезникова РАН. - 2010. - Вып. 31. - С. 92-109.)

270. Valenciaga, F. Supervisory Control for a Stand-Alone Hybrid Generation System Using Wind and Photovoltaic Energy / F. Valenciaga, P. F. Puleston // IEEE Trans. Energy Conver. - 2005. - Vol. 20. - No. 2. - pp. 398-405.

271. Wei, X. A Grid-Based Clustering Algorithm for Network Anomaly Detection / X. Wei, II. Huang, S. Tian // Proceedings of the The First International Symposium on Data, Privacy, and E-Commerce. Washington, DC, USA: IEEE Computer Society. -- 2007. - pp. 104-106.

272. Wicaksono, H. An Intelligent System for Improving Energy Efficiency in Building Using Ontology and Building / Ii. Wicaksono, K. Aleksandrov. S. Rogalski // Automation Systems. - 2012. - pp. 531-548.

273. Widrow, В. Pattern Recognition and Adaptive Control / B. Widrow // Proceedings of the IRE-AIEE Joint Automatic Control Conference. — 1962. — pp. 19-26.

274. What is Sustainable Development? International Institute for Sustainable Development, Environmental, economic and social well-being for today and tomorrow [Электронный ресурс]. — 2014. — Режим доступа: http://www. iisd.org/sd/

275. Wu, О. Identifying Multi-instance Outliers / O. Wu, J. Gao, W. Ни, B. Li, M. Zhu // Proceedings of the 10th SIAM International Conference on Data Mining. SIAM. - 2010. - pp. 430-44.

276. Yokuma, J. T. Beyond accuracy: Comparison of criteria used to select forecasting methods / J. T. Yokuma, J. S. Armstrong // International Journal of Forecasting. - 1995. - No. 11 (4). - pp. 591-597.

277. Yurichev, K.S. Fuzzy-bazed thermodynamic identification model of spatial systems / K.S. Yurichev, M.V. Sherbakov, V.A. Karnaev // Spatial Statistics 2013 4th -6th June, 2013 Columbus, Ohio. - 2013.

278. Zavala, V. M. On-Line Economic Optimization of Energy Systems Using Weather Forecast Information / V. M. Zavala, E. M. Constantinescu , T. Krause // Journal of Process Control. - 2009. Vol. 19. - No. 10. - pp. 1725-1736.

279. Zimmermann H.-G. Recurrent Neural Network Architectures in System Identification and Forecasting [Электронный ресурс]. — 2014. — Режим доступа: http://www.dagstuhl.de/Materials/Files/08/08041/08041. ZimmermannHansGeorgl.Slides.pdf

280. Zhang, P. Development of energy management system based on SCADA / P. Zhang, Q. Gao, S. Ma // Applied Mechanics and Materials. - 2011. - No. 71-78.

- pp. 2280 - 2285.

281. Zoubi B.A. An Effective Clustering-Based Approach for Outlier Detection /В.А. Zoubi // European Journal of Scientific Research. — 2009. — Vol. 28. - No. 2. - pp. 310-316.