Методика идентификации и учета неопределенности исходной информации в ситуационных центрах тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Теплоухов Семен Васильевич

• Теплоухов Семен Васильевич
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Теплоухов Семен Васильевич

Введение

Глава 1. Понятие и классификация неопределенности в системных исследованиях

1.1 Основы понятия «неопределенность»

1.2 Причины возникновения неопределенности

1.3 Существующие классификации типов неопределенности

1.4 Классификация по степени неопределенности

1.5 Выводы

Глава 2. Методика идентификации типа неопределенности при решении задач системного анализа

2.1 Выбор параметров исходной информации, влияющих на неопределенность системы

2.2 Выбор функций принадлежности для критериев исходной информации

2.3 Построение интегральной функции принадлежности типа неопределенности исходной информации

2.4 Расчет критериев исходной информации, формирование соответствующих экспертных функций предпочтения и получение результирующей функции

2.5 Подход к идентификации типа неопределенности исходной информации

2.6 Выводы

Глава 3. Методы искусственного интеллекта при решении задач ситуационного центра

3.1 Ситуационный центр как инструмент управления сложными системами

3.2 Определение сложности системы

3.3 Анализ математических методов описания систем и искусственного интеллекта в зависимости от типа неопределенности исходной информации и сложности системы в ситуационном центре

3.4 Структура ситуационного центра с учетом подсистемы идентификации и учета неопределенности

3.5 Интеллектуализация ситуационного центра путем подбора методов и алгоритмов искусственного интеллекта с учетом неопределенности исходной информации

3.6 Выводы

Глава 4. Реализация и оценка эффективности подсистемы идентификации и учета типа неопределенности исходной информации в СЦ

4.1 Проектирование подсистемы идентификации и учета неопределенности исходной информации

4.2 Расчет оптимальных интервальных оценок на основе метода среднего приращения информации и их связь с типами неопределенности исходной информации

4.3 Реализация методики идентификации типа неопределенности

4.4 Оценка эффективности методики идентификации и учета неопределенности в ситуационном центре

4.5 Выводы

Заключение

Список литературы

Приложение А - Свидетельства о регистрации программного продукта

Приложение Б - Описание тестовых выборок

Приложение В - Акт об использовании результатов диссертационной работы

Введение диссертации (часть автореферата) на тему «Методика идентификации и учета неопределенности исходной информации в ситуационных центрах»

ВВЕДЕНИЕ

В настоящее время информация играет чрезвычайно важную роль в жизни человека и общества. Сейчас для принятия эффективных и оптимальных решений необходимо использовать и обрабатывать огромные массивы данных из различных источников. Это, а также существенное усложнение информационных потоков, приводит к необходимости использования системного анализа для всестороннего исследования различных процессов, объектов и явлений.

При системном подходе для описания сложных систем чрезвычайно важно учитывать такую характеристику исходной информации, как её «неопределенность». Под ней будем понимать - «неполноту, недостоверность и несвоевременность исходной информации о системе». Так, применение математических моделей без учета неопределенности исходной информации приводит к неадекватности и недостоверности получаемых результатов. Для решения этой проблемы необходимо осуществить процесс идентификации, т.е. выявить основные факторы и причины её возникновения, а затем произвести её учет - осуществить выбор оптимальной модели описания системы.

Использование современных систем поддержки принятия решений позволяет решать множество сложных задач в различных предметных областях. Одной из эффективны форм информационно-аналитических систем, которые применяются в социальных, экономических, производственных и других сферах, являются ситуационные центры (СЦ). Они позволяют эффективно обрабатывать информацию и затем принимать необходимые решения. Однако для этого необходимо учитывать особенности исходной информации, в том числе и её неопределенность, которая существенно влияет на применяемые математические методы и модели в подсистемах СЦ.

В связи с этим актуальным является разработка методики идентификации и учета неопределенности исходной информации и её применение в рамках функционирования интеллектуального ситуационного центра.

Цель работы: разработка методики идентификации и учета неопределенности исходной информации и её применение в виде подсистемы ситуационного центра.

Объект исследования: система учета и идентификации неопределенности исходной информации.

Предмет исследования: методика идентификации и учета неопределенности исходной информации в составе ситуационного центра.

Для достижения поставленной цели в работе необходимо решить следующие задачи:

1. Рассмотреть существующие понятия и классификации «неопределенности» в рамках системного подхода.

2. Разработать обобщенную классификацию, в основе которой лежит деление по степени неопределенности, которая учитывает наличие субъективных предположений, имеющихся у лица, принимающего решения.

3. Определить ряд критериев исходной информации, позволяющих идентифицировать тип неопределенности исходной информации о системе.

4. Определить экспертные функции предпочтения, позволяющие выявить тип неопределенности исходной информации, и на их основе разработать методику идентификации неопределенности исходной информации.

5. Осуществить анализ методов описания систем и искусственного интеллекта, выполнить их ранжирование с учетом типов неопределенности и сложности системы.

6. Описать взаимосвязь оптимальных интервальных оценок и типов неопределенности исходной информации на основе метода среднего приращения информации.

7. Реализовать программный модуль идентификации и учета типа неопределённости исходной информации и применить его в составе ситуационного центра.

8. Провести оценку эффективности предлагаемой методики идентификации и учета неопределенности исходной информации на примере задачи прогнозирования в ситуационном центре.

Методы исследования: методы системного анализа, математического моделирования, математической статистики, принятия решений в условиях неопределенности, обработки экспертных знаний, интеллектуального анализа данных.

Научная новизна выполненных в диссертации исследований заключается в следующем:

1. Разработана обобщенная классификация, в основе которой лежит деление по степени неопределенности, а также учитывает наличие субъективных предположений, имеющихся у лица, принимающего решения, которая позволяет идентифицировать тип неопределенности при рассмотрении сложных систем различной природы.

2. Определен ряд критериев исходной информации, позволяющих идентифицировать тип неопределенности; установлено соответствие между типами неопределенности и оптимальным доверительным интервалом выборки.

3. Сформулирован алгоритм идентификации типа неопределенности исходной информации, который позволяет на основе входной выборки определить один из следующих типов: детерминированная определенность, стохастическая и нечеткая неопределенности, на основе системы нечеткого логического вывода и экспертных систем.

4. Установлено соответствие математических методов описания систем и типов неопределенности исходной информации. Произведено ранжирование этих методов при условии роста неопределенности и сложности системы.

5. Реализована отдельная подсистема идентификации и учета неопределенности в рамках ситуационного центра, применение которой позволяет автоматизировать процесс выбора оптимального математического метода описания системы,

что дает возможность адаптации ситуационного центра к изменению входных данных и предметных областей.

Практическая значимость работы заключается в анализе и обобщении существующих подходов к учету неопределенности; выборе критериев исходной информации, описывающих тип неопределенности; предложена методика и алгоритм идентификации и учета неопределенности исходной информации; разработанная подсистема в составе ситуационного центра позволила автоматизировать выбор математической модели описания системы с учетом неопределенности исходной информации, что позволило уменьшить время на процесс построения модели и принятия решения. Реализация и внедрение результатов работы.

Проведение исследований, отражённых в диссертации, было поддержано в рамках проекта РФФИ: «Разработка теоретических основ и алгоритмов функционирования адаптивных систем управления ситуационных центров на основе методов искусственного интеллекта» (№19-47-235006). Результаты работы внедрены в образовательные программы, реализуемые кафедрой автоматизированных систем обработки информации и управления Адыгейского государственного университета, о чем свидетельствует акт о внедрении.

Основные положения, выносимые на защиту:

1. Критерии исходной информации, позволяющих идентифицировать тип неопределенности.

2. Алгоритм определения оптимальных интервальных оценок и их связь с типами неопределенности исходной информации.

3. Алгоритм идентификации и учета типа неопределенности в сложных системах, на основе расчета следующих критериев: размер выборки, доля текстовых данных, наличие выбросов и шумов и стационарность процесса.

4. Классификация методов описания систем и анализа данных с учетом неопределенности исходной информации и сложности системы.

5. Программная подсистема в рамках ситуационного центра, которая позволяет на основе входной выборки определить один из типов: детерминированная определенность, стохастическая и нечеткая неопределенности. Апробация работы: основные положения диссертационной работы докладывались и обсуждались на 14 международных, всероссийских и региональных конференциях. Некоторые из них: XX, XXI и XXIII Международные конференции по мягким вычислениям и измерениям, г. Санкт-Петербург (2017, 2018 и 2020 годы); I и II Международные научные конференции «Осенние математические чтения», г. Майкоп (2015 и 2017 годы); II и V Всероссийские научно-практические конференции «Информационные системы и технологии в моделировании и управлении», г. Ялта (2017 и 2020 годы). Также получено три свидетельства о регистрации программы для ЭВМ.

Публикации. По теме диссертации опубликовано 14 печатных работ, 5 из них опубликованы в журналах, рекомендуемых ВАК РФ для публикации основных результатов диссертационных исследований, 3 работы индексируются в международной наукометрической базе SCOPUS.

Структура и объем работы. Диссертационная работа состоит из введения, 4 глав, выводов по каждой главе, основных результатов, списка используемой литературы и приложения. Работа содержит 150 страниц машинописного текста, 32 рисунка, 10 таблиц, список литературы из 163 наименований.

ГЛАВА 1. ПОНЯТИЕ И КЛАССИФИКАЦИЯ НЕОПРЕДЕЛЕННОСТИ В СИСТЕМНЫХ ИССЛЕДОВАНИЯХ

1.1 Основы понятия «неопределенность»

В настоящее время информация играет чрезвычайно важную роль в жизни человека и общества. Сейчас для принятия эффективных и оптимальных решений необходимо использовать и обрабатывать огромные массивы данных из различных предметных областей. Это, а также существенное усложнение информационных потоков, приводит к необходимости использования системного анализа для всестороннего исследования различных процессов, объектов и явлений.

Процесс анализа сложных систем существенно зависит от качества исходной информации. Так, неточность, зашумленность или несвоевременность данных значительно усложняет процедуру построения модели, что увеличивает вероятность ошибки и принятия неверных решений. Эти негативные последствия тесно связаны с таким важным понятием как «неопределенность» информации [129].

Термин «неопределенность» активно используется в философии, математике, лингвистике, социально-экономических и других науках. При этом трактовка этого понятия значительно зависит от предметной области, предпочтений исследователя, поэтому можно отметить существенную субъективность данного понятия [8]. Именно поэтому в условиях анализа сложных систем необходимо детально изучить термин «неопределенности» исходной информации.

Активное использование этого понятия началось в физике [124] и экономике [128] в XX веке. Однако философская концепция неопределенности существует гораздо дольше: еще во времена Сократа и Платона философы понимали, что даже научное знание недостаточно полно отражает реальность [10]. Они понимали, что чем больше узнаем закономерности природы, тем больше осознаем пределы наших знаний о «вещах как таковых» [17].

Рассмотрим основные понятия неопределенности в философии.

По мнению Платона, «неопределённость олицетворяет изменчивость, несовершенство, хаотичность материального мира» [17].

В философии Аристотеля под неопределённостью понимается «объективная лишённость определённого бытия, качества, количества, места, времени и т. д. Случайность характеризуется неопределённостью и непредсказуемостью» [5].

Гегель считал, что «неопределенность характеризуется нерасчлененностью, необособленностью бытия, отсутствием резких границ и различий. Определенность существует на базе неопределенности, возникает из нее, является ее стороной» [125].

Визир П.И. и Урсул А.Д. отмечали, что неопределённости свойственны такие существенные признаки, как «отсутствие резких граней между свойствами и состояниями, преобладание зависимости свойств, состояний явлений друг от друга над их относительной независимостью, проявление необходимости как возможности и случайности» [17]

И. Кант считал, что «чем больше мы постигаем тайны природы, тем больше осознаем пределы нашего знания о том, каковы вещи как таковые» [127].

Во всех этих определениях можно отметить тот факт, что знание никогда не бывает полным, и что исследования и эксперименты могут сделать не более, чем оценку того, что, по нашему мнению, происходит. Неопределенность - неотъемлемый атрибут окружающего мира. Однако её анализ необходим для успешного функционирования человека, общества и других сложных систем.

В рамках подхода, предложенного [160], названного «игла неопределенности» различают как открытые, так и закрытые формы незнания. Схема «иглы неопределенности» приведена на рисунке 1.

Рисунок 1 - Схема «Игла неопределенности»

В рамках данного подхода недостаток знаний, который не может быть уменьшен по ряду причин, в том числе и из-за случайности протекаемых процессов, называется отсутствие знания [123]. Закрытое незнание также может являться результатом отказа или игнорирования имеющихся знаний (эффект «Галилея»). Изменение отношения исследователя превратит закрытое незнание в открытое, которое может быть решено, по крайней мере частично, путем обучения или исследований.

Аналогичным путем можно выделить открытое и закрытое знания [160]. Закрытое - означает всестороннее знание или уверенность в наступлении какого-либо события или наличии сведений о ситуации. Открытое - означает, что имеется достаточно информации для анализа, однако остается заметное количество невежества, что существенно отличается от закрытого знания.

В рамках другой науки - лингвистики, термин неопределенности в широком смысле рассматривается с точки коммуникативных позиций и определяется следующим образом: «категория неопределенности служит для выражения неосведомленности ..., а также для передачи сомнения, незнания, неуверенности ... об определенных предметах, действиях, явлениях» [51].

В узком значении её функция - «демонстрация ... единственности в описываемой ситуации (определенность), либо выражение ... отношения к классу подобных ему феноменов (неопределенность)» [107].

Оба эти значения в языке находят отражение в виде неопределенных местоимений (некто, нечто, некоторый, несколько и т.д.) или существительных (неизвестность, приблизительность, неясность и т.д.) [8]. Только в XX веке появился подход, связывающий воедино математику, интуитивный подход и лингвистику, который получил название «нечеткой логики» [31]. Однако классические нечеткие системы обладают тем недостатком, что для формулирования правил и функций принадлежности необходимо привлекать экспертов той или иной предметной области, что не всегда является приемлемым [61, 162].

Другим важным понятием, которое дал Клод Шеннон в работе [102], стало «информация - снятая неопределенность». Так, получение новой информации или знаний приводит к уменьшению неопределенности, т.е. снижению количества возможных вариантов и альтернатив.

Величина, характеризующая количество неопределенности в теории информации, обозначается символом Н и имеет название энтропия. Основные требования к величине, характеризующей неопределенность следующие [102]:

- непрерывность, то есть малые изменения аргумента приводят к малым изменениям функции;

- рост числа альтернатив приводит к росту значения функции;

- конечный результат вычисления функции должен представлять собой сумму функций промежуточных этапов.

Функцией, которая удовлетворяет этим условиям, является [49]:

где х - независимые случайные события с п возможными состояниями, р -функция вероятности.

Данный подход получил название синтаксического [106] и используется в статистической физике и теории информации, однако исследования по связи энтропии и математических моделей описания систем еще ведутся [97].

В рамках данной работы, под неопределенностью будем понимать - неполноту, недостоверность и неточность исходной информации о системе [21, 87, 91].

Таким образом, существует множество трактовок понятия «неопределенность». Это показывает наличие большого внимания к рассматриваемой проблеме, а также подтверждает актуальность исследований в данной области. Важно отметить тот факт, что многие определения оперируют наличием субъективных показателей, например, знаниями экспертов или лингвистическими параметрами, что приводит к необходимости исследования связи объективной и субъективной неопределенности, а также основных причин её возникновения.

1.2 Причины возникновения неопределенности

В настоящее время современные науки активно используют системной анализ, с целью получить наиболее полное и целостное представление об объекте, процессе или явлении. В рамках данного подхода основным понятием является «система».

Система представляет собой совокупность взаимосвязанных элементов, которые объединены единством цели и функциональной целостностью, и при этом свойство самой системы не сводится к сумме свойств элементов [14, 136].

Важным этапом системного подхода является учет и раскрытие неопределенности, свойственной исследуемой системе [14, 55, 63], причем это обусловлено следующими фактами:

- наличие неполных, недостаточных знаний о состоянии системы и влиянии внешней среды;

- наличие отдельных и конкурирующих элементов, при этом поиск решения может сводиться к нахождению некоторого компромисса;

- при управлении сложными системами более рационально генерировать упреждающие решения, чем исправляющие.

Поэтому анализ возможных причин возникновения неопределенности является важной задачей, которая позволит достичь поставленной перед системой цели, осуществлять выбор оптимальных математических моделей, а также повысить качество принимаемых решений.

Существует большое количество причин возникновения неопределенности. Например, в работе [88] выделяют следующие два класса:

- наличие нескольких случайных альтернатив, приводящих к исходу;

- неопределенность уверенности в наступлении события, т.е. неизвестность вероятности исходов.

В первом случае, существует неопределенность выбора альтернативы, а во втором случае присутствует неуверенность субъекта в самих альтернативах наступления исхода.

В работе [126] выделяют следующие причины:

- неоднозначность, которая связана с наличием отношений «один ко многим», то есть ситуаций, в которых присутствует случайный выбор между альтернативами;

- двусмысленность, которая зависит от трудности проведения четких или точных границ предметной области. В свою очередь она делится на: неспецифичность выводов; наличие противоречий; и путаница в доказательствах. Это проиллюстрировано на рисунке 2.

Рисунок 2 - Причины возникновения неопределенности

В другом источнике [109] выделяют:

- абстрактные причины, которые связаны с представление модели;

- неабстрактные, по причине наличия объективных случайностей;

- другие.

В свою очередь абстрактные причины делятся на:

- когнитивные - основанные на особенностях разума, т.е. субъективные причны;

- некогнитивные - объективные причины;

- прочие.

Указанные причины представлены на рисунке 3.

Рисунок 3 - Причины возникновения неопределенности

Анализ рассмотренных выше причин позволяет выделить два больших класса неопределенности [26, 88, 160]:

- объективная неопределенность;

- субъективная неопределенность.

В первом случае неопределенность носит независимый, объективный характер, второй случай характеризуется особенностью субъекта, его знаний, а также человеческим фактором.

Здесь важно отметить, что в условиях объективной неопределенности решение принимается на основе некоторой формальной функции полезности, а в случае субъективной - на основе трактуемой субъективной вероятности, которая может игнорировать ряд особенностей внешней среды.

В другой работе [135] выделяют следующие виды неизвестности при работе с системами:

Недостаток знаний связан с фактами, которые неизвестны или известны лишь неточно, но которые необходимы для рационального анализа структуры системы.

• Отсутствие определения элементов и понятий в рассматриваемой системе.

• Статистически охарактеризованные переменные или явления, которые могут быть охарактеризованы вероятностно.

• «Известные неизвестные» («Known Unknowns») - позиции, о которых известно, что именно неизвестно. В лучшем случае они ограничены и могут иметь совершенно неизвестные значения. Со временем и / или усилиями многие предметы этого класса можно охарактеризовать статистически.

• «Неизвестные неизвестные» («Unknown Unknowns») - по определению не известны. Есть только понимание, что существуют неизвестные факторы, что дает нам некоторую (трудно поддающуюся количественной оценке) возможность для применения стратегий смягчения их последствий.

При этом надо отметить, что «неопределенность» не всегда является отрицательным фактором, который необходимо устранять; надежные, универсальные и гибкие системы не только уменьшают неопределенность, но и могут создавать дополнительную возможности при использовании [135].

Указанные особенности и причины приводят к необходимости детального рассмотрения классификаций неопределенности, которые могут использоваться в процессе анализа систем и построении моделей.

1.3 Существующие классификации типов неопределенности

Описанные выше причины возникновения неопределенности не позволяют сделать выбор модели для описания системы. Поэтому необходимо рассмотреть различные классификации по различным признакам исходной информации о системе,

которые рассмотрены в различных источниках отечественной и зарубежной литературы [21,29,31].

В работе [160] представлена классификация неопределенности и соответствующих ей решений, согласно которой существуют следующие типы (рисунок 4):

- эпистемологическая - вызвана пробелами в знаниях, может быть устранены путем дополнительных исследований;

- онтологическая - стохастические особенности ситуации, проблемы или системы, можно принимать квазирациональные решения;

- неопределенность правил - возможность множественной трактовки или применения правил и подходов;

- на основе интуиции - неопределенность правил и знания.

Эпистемологическая Онтологическая На основе правил На основе интуиции

г 1 г 1 Г 1 г

Решение на основе знаний Квазирациональные решения Реш ение на основе правил Интуитивный подход

Рисунок 4 - Классификация неопределенностей и решений

По возможности устранения выделяют два основных типа: устранимая и неустранимая неопределенности [2, 57].

Устранимая неопределенность определяется следующими характеристиками:

- возможностью оценить параметры системы (количественно оценить и измерить);

- квазистационарностью протекающих процессов (последовательной сменой равновесных состояний).

Такой тип неопределенности может быть устранен тем или иным способом, что позволит снизить погрешность при построении модели.

Неустранимая неопределенность характеризуется:

- высокой изменчивостью процессов, быстрой сменой состояний;

- случайными возмущениями.

Неустранимая неопределенность возникает в результате нестационарности процессов, что приводит к сложности или невозможности аналитического описания системы. В этом случае модель будет иметь высокую погрешность.

По признаку отношению к исследуемой системе выделяют два типа неопределенности: внутренняя и внешняя [30].

Внешняя неопределенность является особенностями внешней среды, которые не всегда возможно контролировать. Характеристиками, описывающими данный тип, являются:

- сложность внешней среды, связанная с нашим незнанием о ней;

- подвижность внешней среды, которая проявляется в случае быстрой смены воздействий извне на систему;

- наличие сложной связи между факторами внешней среды приводит к сложности при их учете в процессе функционирования системы.

Внутренняя неопределенность характеризуется следующим:

- неточностью внутренней структуры процесса, объекта или явления, например, нерегулярность этого процесса;

- быстро меняющимися условиями протекания этого явления или нечеткостью задач или структуры системы.

По характеру определяют параметрическую, структурную и ситуационную неопределенности [57].

Параметрическая неопределенность выражается в том, что неизвестными являются постоянные параметры объекта, процесса или явления, однако связи между объектами и выходные события известны. Во многих практических случаях реальные значения параметров могут существенно отличаться от принятых номинальных, то есть имеет место погрешность, которую требуется принимать во внимание. При этом скорость изменения параметров является малой, что позволяет эти характеристики измерять и учитывать.

Структурная неопределенность возникает в случае недостаточно известной структуры модели системы. Этот тип неопределенности характеризуется тем, что сложность реального исследуемого объекта оказывается существенно выше сложности его модели. В рамках данного типа использование операций по определению вероятностных характеристик системы возможно только при условии реализации дополнительных действий, направленных на снижение неточности или неполноты наших знаний о выходах системы или внешних воздействиях.

Ситуационная неопределенность характеризуется непредсказуемыми действиями неконтролируемых факторов различного происхождения (деятельность человека, стихийные бедствия, воздействия ноосферы и т.п.), вызывающие непредсказуемое поведение исследуемой системы.

Также необходимо отметить, что в ряде источников литературы [27, 100] выделяют интервальную неопределенность, которая характеризуется наличием частичного знания о величине, при условии принадлежности её определенному интервалу. В этом случае известны ограничения факторов, т.е. их целесообразно представить в виде интервала значений х- < X; < х+, где X;- фактор, а х-и х+-нижняя и верхняя границы параметра.

В случае данного типа неопределенности целесообразно воспользоваться двумя различными математическими подходами:

Список литературы диссертационного исследования кандидат наук Теплоухов Семен Васильевич, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Аверченков, В. И. Основы математического моделирования технических систем / В. И. Аверченков, В. П. Федоров, М. Л. Хейфец. - М.: Флинта, 2011. - 271 с.

2. Алтунин, А. Е. Модели и алгоритмы принятия решений в нечетких условиях: монография / А. Е. Алтунин, М. В. Семухин. - Тюмень: Изд-во Тюменского государственного университета, 2000. - 352 с.

3. Андрианова, И. Д. Сценарный подход в стратегическом планировании при оценке эффективности экономических систем / И. Д. Андрианова // Современные тенденции развития науки и технологий. - 2016. - № 9 (3). - С. 71-73.

4. Анкуда, С. Н. Построение детерминированных и стохастических моделей технологических процессов / С. Н. Анкуда, И. М. Хейфец // Прогрессивные технологии и системы машиностроения. - Донецк, 2014. - № 3 (49). - С. 3-9.

5. Аристотель. / Аристотель; пер. и примеч. А.В. Кубицкого. - М.; Л.: Государственное социально-экономическое издательство, 1934. - 348 с.

6. Асадуллаев, Р. Г. Нечеткая логика и нейронные сети / Р. Г. Асадуллаев. -Белгород: НИУ «БелГУ», 2017. - 309 с.

7. Балонишников, А. М. Прогнозирование временных рядов методами Фар-мера-Сидоровича и Бокса-Дженкинса / А. М. Балонишников, В. А. Балонишникова, А. В. Копыльцов // Известия Российского государственного педагогического университета им. А.И. Герцена. - 2011. - № 141. - С. 7-16.

8. Беглярова, А. Л. Понятие неопределенности в философии и лингвистике / А. Л. Беглярова // Вестник Адыгейского государственного университета. Сер.: Филология и искусствоведение. - 2008. - Вып. 3. - С. 47-49.

9. Безденежных, В. М. Управление неопределенностью и риском при функционировании сложных систем - теорема соотношения уровней неопределенности и риска / В. М. Безденежных // Экономика и управление: проблемы, решения. - 2015. -№ 12. - С. 123-131.

10. Белинский, В. Сочинения Платона... часть 11-я [Электронный ресурс] / В.

Белинский. - ЛитРес, 2017. - 136 с. - Режим доступа: https://books.aca-demic.ru/book.nsf/52858065

11. Бендерская, Е. Н. Обобщение подходов преодоления неопределенности: возможный путь естественного учета неопределённости / Е. Н. Бендерская // Сборник материалов IXX международной конференции по мягким вычислениям и измерениям, г. Санкт-Петербург, 2016. - СПб., 2016. - С. 343-346.

12. Бокс, Д. Анализ временных рядов, прогноз и управление: пер. с англ. / Д. Бокс, Г. М. Дженкинс; под ред. В. Ф. Писаренко. - М.: Мир, 1974. - 406 с.

13. Бонгард, М. М. О понятии «полезная информация» / М. М. Бонгард // Проблемы кибернетики. - 1963. - № 9. - С. 71-102.

14. Бусленко, Н. Моделирование сложных систем / Н. Бусленко. - М.: Наука, 1978. - 400 с.

15. Бучацкая, В. В. Моделирование продукционных правил выявления типа неопределенности с использованием сетей Петри / В. В. Бучацкая, С. В. Теплоухов // Актуальные проблемы прикладной математики и физики: сб. материалов междунар. конф. - Нальчик, 2017. - С. 55-56.

16. Бююль, А. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей / А. Бююль, П. Цефель. -ДиаСофт, 2005. - 608 с.

17. Визир, П. И. Диалектика определенности и неопределенности / П. И. Визир. - Кишинев: Изд-во гос. ун-та им. В.И. Ленина, 1976. - 124 с.

18. Винер, Н. Кибернетика, или Управление и связь в животном и машине / Н. Винер. - М.: Советское радио, 1968. - 344 с.

19. Волкова, В. Н. Моделирование систем и процессов / В. Н. Волкова, В. Н. Козлов. - М.: Юрайт, 2017. - 450 с.

20. Волькенштейн, М. Энтропия и информация / М. Волькенштейн. - М.: Наука, 1986. - 192 с.

21. Вощинин, А. П. Оптимизация в условиях неопределенности / А. П. Вощи-нин, Г. Р. Сотиров. - М.: Изд-во МЭИ (СССР): Техника (НРБ), 1989. - 224 с.

22. Глушань, В. М. Нечеткие модели и методы многокритериального выбора в интеллектуальных системах поддержки принятия решений / В. М. Глушань, В. П. Карелин, О. Л. Кузьменко // Известия ЮФУ. Технические науки. Южный федеральный университет. - Ростов н/Д, 2009. - № 4 (93). - С. 106-113.

23. Гмурман, В. Е. Теория вероятностей и математическая статистика: учебник для среднего профессионального образования / В. Е. Гмурман. - 12-е изд. - М.: Юрайт, 2018. - 479 с.

24. Гумбель, Э. Статистика экстремальных значений / Э. Гумбель. - М.: Мир, 1965. - 450 с.

25. Джоши, П. Искусственный интеллект с примерами на Python / П. Джоши. - М.: Вильямс, 2019. - 448 с.

26. Диев, В. С. Неопределенность как атрибут и фактор принятия решений / В. С. Диев // Вестник НГУ. Сер.: Философия. - 2010. - Т. 8, вып. 1. - С. 3-8.

27. Добронец, Б. С. Интервальная математика: учебное пособие / Б. С. Добро-нец. - Красноярск: Изд-во Краснояр. гос. ун-та, 2004. - 216 с.

28. Елисеева, И. И. Эконометрика / И. И. Елисеева. - М.: Юрайт, 2018. - 449

с.

29. Жуковский, В. И. Риск в многокритериальных и конфликтных системах при неопределенности / В. И. Жуковский, Л. В. Жуковская. - М.: ЛКИ, 2017. - 270 с.

30. Заболотский, В. П. Математические модели в управлении: учеб. пособие / В. П. Заболотский, А. А. Оводенко, А. Г. Степанов. - СПб.: СПб-ГУАП, 2001. - 196 с.

31. Заде, Л. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л. Заде. - М.: Мир, 1976. - 166 с.

32. Замятин, Н. В. Ситуационный центр управления энергоэффективностью / Н. В. Замятин, В. В. Латровкин, Р. А. Одышев // Доклады ТУСУРа. - Томск, 2011. -

№ 2. - С. 159-163.

33. Ивахненко, А. Г. Долго срочное прогнозирование и управление сложными системами / А. Г. Ивахненко. - Киев: Техника, 1975. - С. 312.

34. Иода, Е. В. Управление предпринимательскими рисками: монография / Е. В. Иода, Ю. В. Иода, Л. Л. Мешкова. - Тамбов: Изд-во ТГТУ, 2012. - 113 с.

35. Классификация неопределенности информации в системных исследованиях / В. С. Симанков [и др.] // Сборник материалов XX международной конференции по мягким вычислениям и измерениям, г. Санкт-Петербург, 2017. - СПб., 2017. - С. 167-170.

36. Кобзарь, А. И. Прикладная математическая статистика. Справочник для инженеров и научных работников / А. И. Кобзарь. - М.: Физматлит, 2006. - 816 с.

37. Ковалев, П. П. Сценарный анализ, методологические аспекты / П. П. Ковалев // Финансы и кредит. - 2009. - № 44. - С. 9-13.

38. Кострыкин, И. В. Нечеткая логика: достоинства и недостатки / И. В. Ко-стрыкин // Информационные технологии в образовании (ИТО- Черноземье - 2008): материалы II Междунар. науч.-практ. конф. - Курск, 2008. - Т. 2. - С. 117-120.

39. Кузьмин, Е. А. Меры превентивного управления неопределенностью в организационно-экономических системах / Е. А. Кузьмин // Вестник НГУЭУ. - 2012. -№ 4. - С. 269-284.

40. Кузьмин, Е. А. Неопределенность и определенность в управлении организационно-экономическими системами: монография / Е. А. Кузьмин. - Екатеринбург: Ин-т экономики УрО РАН, 2012. - 184 с.

41. Линдгрен, М. Сценарное планирование. Связь между будущим и стратегией / М. Линдгрен, Х. Бандхольд. - М.: Олимп-Бизнес, 2009. - 373 с.

42. Лоули, Д. Факторный анализ как статистиче ский метод / Д. Лоули, А. Максвелл. - М.: Книга по Требованию, 2012. - 145 с.

43. Луцаевский, А. С. Современные методы принятия решения в условиях не-

определенности / А. С. Луцаевский, Т. С. Чайникова // Системы обработки информации. - 2007. - № 7. - С. 104-106.

44. Лю, Б. Теория и практика неопределенного программирования / Б. Лю. — М.: БИНОМ: Лаб. знаний, 2005. - 416 с.

45. Магеррамов, З. Т. Big Data: проблемы, методы анализа, алгоритмы / З. Т. Магеррамов, В. Г. Абдуллаев, А. З. Магеррамова // Радиоэлектроника и информатика. - 2017. - № 3. - С. 42-52.

46. Магнус, Я. Р. Эконометрика. Начальный курс / Я. Р. Магнус, П. К. Катышев, А. А. Пересецкий. - 12-е изд. - М.: Дело, 2007. - 504 с.

47. Мадера, А. Г. Риски и шансы. Неопределенность, прогнозирование и оценка / А. Г. Мадера. - М.: БИНОМ: Лаб. знаний, 2014. - 448 с.

48. Малугин, В. А. Математическая статистика: учеб. пособие / В. А. Малу-гин. - М.: Юрайт, 2018. - 218 с.

49. Мартин, Н. Математическая теория энтропии / Н. Мартин, Д. Ингленд. -М.: Мир, 1988. - 350 с.

50. Маховикова, Г. А. Анализ и оценка рисков в бизнесе / Г. А. Маховикова, Т. Г Касьяненко. - М.: ЮРАЙТ, 2015. - 465 с.

51. Маштакова, М. В. Определенность-неопределенность в русском и французском языках: значения, функции и способы выражения: автореф. дис. ... канд. фи-лол. наук: 10.02.20 / Маштакова Марина Вячеславовна. - Красноярск, 2005. - 192 с.

52. Методы и средства создания интеллектуальных систем поддержки принятия решений на основе ситуационных центров / В. С. Симанков [и др.] // Сборник материалов XXI международной конференции по мягким вычислениям и измерениям, г. Санкт-Петербург, 2018. - СПб., 2018. - С. 18-21.

53. Мисевич, П. В. Современные инструментарии ситуационного подхода: определение, причины активного развития, классификация и типовые архитектуры / П. В. Мисевич // Cloud of science. - 2015. - № 1. - С. 1-21.

54. Мисевич, П. В. Центры ситуационного управления и мобильные среды /

П. В. Мисевич. - Palmarium academic publishing, 2014. -160 с.

55. Могилевский, В. Д. Методология систем / В. Д. Могилевский. - М.: Экономика, 1999. - 256 с.

56. Модуль идентификации типа неопределенности исходной информации «UnsModule 1.0» / В. С. Симанков [и др.]: свидетельство о государственной регистрации программы для ЭВМ № 2019660330. Зарегистрировано в реестре программ для ЭВМ 05.08.2019 г.

57. Моисеев, Н. Н. Элементы теории оптимальных систем / Н. Н. Моисеев. -М.: Наука, 1975. - 528 с.

58. Моргунов, Е. П. PostgreSQL. Основы языка SQL: учеб. пособие / Е. П. Моргунов. - СПб.: БХВ-Петербург, 2018. - 336 с.

59. Никифоров, В. О. Интеллектуальное управление в условиях неопределенности: учеб. пособие / В. О. Никифоров, О. В. Слита, А. В. Ушаков. - СПб.: СПбГУ ИТМО, 2009. - 32 с.

60. Островский, Г. М. Технические системы в условиях неопределенности: анализ гибкости и оптимизация. - 3-е изд. / Г. М. Островский, Ю. М. Волин. - М.: БИНОМ: Лаборатория знаний, 2015. - 322 с.

61. Паклин, Н. Бизнес-аналитика. От данных к знаниям / Н. Паклин, В. Орешков. - СПб.: Питер, 2013. - 704 с.

62. Пегат, А. Нечеткое моделирование и управление / А. Пегат. - 4-е изд. -М.: Лаборатория знаний, 2020. - 801 с.

63. Перегудов, Ф. И. Введение в системный анализ / Ф. И. Перегудов, Ф. П. Тарасенко. - М.: Высшая школа, 1989. - 367 с.

64. Петров, С. И. Метрология, стандартизация и сертификация / С. И. Петров. - Омск: ОИВТ, 2012. - 154 с.

65. Прикладная статистика, классификации и снижение размерности / С. А. Айвазян [и др.]. - М.: Финансы и статистика, 1989. - 607 с.

66. Программа расчета и визуализации оптимального доверительного интервала произвольной выборки «Conflnt 1.0» / С. В. Теплоухов [и др.]: свидетельство о государственной регистрации программы для ЭВМ № 2018612421. Зарегистрировано в реестре программ для ЭВМ 16.02.2018 г.

67. Пушкарева, Г. В. Системы искусственного интеллекта: программирование в среде CLIPS: учеб. пособие / Г В. Пушкарева. - Новосибирск: Изд-во НГТУ, 2006. - 61 с.

68. Рассел, С. Искусственный интеллект. Современный подход: пер. с англ. / С. Рассел, П. Норвиг. - М.: Вильямс, 2015. - 1410 с.

69. Розенберг, И. Н. Управление в условиях неопределенности [Электронный ресурс] / И. Н. Розенберг // Современные технологии управления. - 2017. - № 7 (79). - Режим доступа: https://sovman.ru/article/7902/.

70. Рубанов, В. Г. Интеллектуальные системы автоматического управления. Нечеткое управление в технических системах / В. Г. Рубанов, А. Г Филатов, И. А. Рыбин. - Белгород: БГТУ им. В.Г. Шухова, 2010. - 170 с.

71. Седжвик, Р. Программирование на языке Python: учеб. курс: пер. с англ. / Р. Седжвик, К. Уэйн, Р. Дондеро. - М.: Вильямс, 2017. - 736 с.

72. Симанков, В. С. Автоматизация системных исследований: монография / В. С. Симанков. - Краснодар: КубГТУ, 2002. - 376 с.

73. Симанков, В. С. Компьютерное моделирование: учебник. - 2-е изд., пере-раб. и доп. / В. С. Симанков. - М.: Бином-Пресс, 2012. - 350 с.

74. Симанков, В. С. Выбор методов прогнозирования при исследовании сложных систем / В. С. Симанков, В. В. Бучацкая // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. -2012. - Вып. 3. - С. 136-140.

75. Симанков, В. С. Алгоритмы расчета доверительного интервала и их программная реализация / В. С. Симанков, В. В. Бучацкая, С. В. Теплоухов // Осенние математические чтения в Адыгее: материалы II Междунар. науч. конф., г. Майкоп,

2017. - Майкоп, 2017. - С. 213-218.

76. Симанков, В. С. Методика идентификации и учета неопределенности исходной информации в интеллектуальном ситуационном центре / В. С. Симанков, В. В. Бучацкая, С. В. Теплоухов // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. - 2019. Вып. 2. - С. 104-112.

77. Симанков, В. С. Определение оптимального сочетания доверительного интервала и доверительной вероятности / В. С. Симанков, В. В. Бучацкая, С. В. Теп-лоухов // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. - 2019. - Вып. 3. - С. 69-74.

78. Симанков, В. С. Подход к учету неопределенности исходной информации в системных исследованиях / В. С. Симанков, В. В. Бучацкая, С. В. Теплоухов // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. - 2017. - Вып. 3. - С. 100-108.

79. Симанков, В. С. Аналитическое исследование методов и алгоритмов искусственного интеллекта / В. С. Симанков, С. В. Теплоухов // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. - 2020. - Вып. 3. - С. 16-25.

80. Симанков, В. С. Интеллектуализация ситуационного центра путем подбора методов и алгоритмов искусственного интеллекта с учетом неопределенности исходной информации / В. С. Симанков, С. В. Теплоухов // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. - 2020. - Вып. 4. - С. 20-29.

81. Симанков, В. С. Подсистема прогнозирования в составе интеллектуального ситуационного центра «иивБогБС 1.0» / В. С. Симанков, С. В. Теплоухов: свидетельство о государственной регистрации программы для ЭВМ № 2020664559. Зарегистрировано в реестре программ для ЭВМ 13.11.2020 г.

82. Симанков, В. С. Методологические основы применения средств модели-

рования и формализация систем с учетом неопределенности в структуре интеллектуальной системы ситуационного центра / В. С. Симанков, А. А. Ткаченко // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. - 2016. - Вып. 4. - С. 164-170.

83. Симанков, В. С. Методика анализа и синтеза интеллектуальной системы в рамках ситуационного центра / В. С. Симанков, А. Н. Черкасов // Вестник Адыгейского государственного университета. Сер.: Естественно-математические и технические науки. - 2016. - Вып. 4. - С. 177-181.

84. Симанков, В.С. Планирование определительных испытаний и оптимизация интервальных оценок при исследовании надежности электрических цепей / В. С. Симанков. - Краснодар, 1982. - 11 с. Деп. в ВИНИТИ, N0/987.

85. Система многокритериального анализа решений БесегшМСВА и ее практическое применение / Б. И. Яцало [и др.] // Программные продукты и системы. - 2014. -№ 2 (106). - С. 73-84.

86. Система поддержки принятия решений при прогнозировании критических ситуаций в организационно-технических системах / А. Ю. Павлов [и др.] // Информационные технологии интеллектуальной поддержки принятия решений: материалы VII Всерос. науч. конф. - Уфа; Ставрополь; Ханты-Мансийск, 2019. - С. 165-170.

87. Смирнова, К. А. Понятие неопределенности экономических систем и подходы к ее оценке / К. А. Смирнова // Вестник МГТУ. - 2008. - Т. 11, № 2. - С. 241-246.

88. Солнцева, Г. Н. Принятие решения в условиях неопределенности и риска / Г Н. Солнцева, Г Л. Смолян // Проблемы управления риском и безопасностью: сборник. - 2009. - Т. 41.

89. Сотиров, Г. Р. Оптимизация при неопределенности. Оптимизация на производственных системах / Г. Р Сотиров; под ред. И. Попчев. - София: Техника, 1989. - 224 с.

90. Тоффоли, Т. Машины клеточных автоматов / Т. Тоффоли, Н. Марголус. -М.: Мир, 1991. - 278 с.

91. Трухачев, Р. Модели принятия решений в условиях неопределенности / Р. Трухачев. - М.: Наука, 1981. - 151 с.

92. Тульчинский, С. Э. Как управлять рисками в условиях нарастающей неопределенности / С. Э. Тульчинский // Банковское дело. - 2008. - № 12. - С. 68-69.

93. Тычинский, А. В. Управление инновационной деятельностью компаний: современные подходы, алгоритмы, опыт / А. В. Тычинский. - Таганрог: ТРТУ, 2006.

- 108 с.

94. Федотов, В. Х. Оценка неопределенности сложных нечетких систем / В. Х. Федотов, Н. В. Новожилова // Вестник Чувашского университета. - 2011. - № 2. -С. 488-493.

95. Хайкин, С. Нейронные сети: полный курс: пер. с англ. / С. Хайкин. - 2-е изд., испр. - М.: Вильямс, 2018. - 1104 с.

96. Хартли, Р. Передача информации / Р. Хартли // Теория информации и ее приложения. - М.: Физматгиз, 1959. - С. 5-35.

97. Хрусталев, В. И. Мера неопределенности информации в задаче выбора прогнозных решений: автореф. дис. ... канд. техн. наук: 05.13.01 / Хрусталев Виталий Игоревич. - Красноярск, 2013. - 21 с.

98. Частиков, А. П. Разработка экспертных систем. Среда CLIPS / А. П. Частиков, Д. Л. Белов, Т. А. Гаврилова. - СПб.: БХВ-Петербург, 2003. - 608 с.

99. Чернова, Н. И. Математическая статистика: учеб. пособие / Н. И. Чернова.

- 2-е изд., испр. и доп. - Новосибирск: РИЦ НГУ, 2014. - 150 с.

100. Шарый, С. П. Конечномерный интервальный анализ / С. П. Шарый. - Новосибирск: XYZ, 2019. - 634 с.

101. Шениг, Г.-Ю. PostgreSQL 11. Мастерство разработки / Г.-Ю. Шениг; пер. с анг. А. А. Слинкина. - М.: ДМК Пресс, 2019. - 352 с.

102. Шеннон, К. Работы по теории информации и кибернетике / К. Шеннон. -М.: Иностранная литература, 1963. - 832 с.

103. Шорохова, И. С. Статистические методы анализа / И. С. Шорохова, Н. В.

Кисляк, О. С. Мариев. - Екатеринбург: Изд-во Урал. ун-та, 2015. - 300 с.

104. Шурыгин, А. М. Математические методы прогнозирования: учеб. пособие для вузов / А. М. Шурыгин. - М.: Горячая линия: Телеком, 2009. - 180 с.

105. Щербатов, И. А. Неопределенность в задачах моделирования и управления сложными слабоформализуемыми системами / И. А. Щербатов // Вестник НГУЭУ. - 2014. - № 3. - С. 306-321.

106. Эшби, У. Введение в кибернетику / У. Эшби. - М.: Изд-во иностранной литературы, 1959. - 432 с.

107. Ярцева, В. Лингвистический энциклопедический словарь / В. Ярцева, Н. Арутюнова. - М.: Большая Рос. энциклопедия, 2002. - 707 с.

108. Asteriou, D. ARIMA Models and the Box-Jenkins Methodology / D. Asteriou, S. Hall // Palgrave MacMillan. - 2016. Р. 275-296.

109. Ayyub, B. Uncertainty Analysis in Engineering and Sciences: Fuzzy Logic, Statistics, and Neural Network Approach / B. Ayyub, M. M. Gupta. - Springer US, 1998. -371 р.

110. Belton, V. Multiple Criteria Decision Analysis: An Integrated Approach / V. Belton, T. J. Stewart. - Springer US, 2002. - Р. 13-33.

111. Berkhin, P. Survey Of Clustering Data Mining Techniques / P. Berkhin // A Survey of Clustering Data Mining Techniques. Grouping Multidimensional Data: Recent Advances in Clustering. - 2002. - Т. 10. - P. 25-71.

112. Buchatskaya, V. V. Forecasting Methods Classification and its Applicability / V. V. Buchatskaya, P. Y. Buchatskiy, S. V. Teploukhov // Indian Journal of Science and Technology. - 2015. - № 8 (30). - P. 275-296.

113. California Renewable Production 2010-2018. Hourly Power Production in California [Electronic resource]. - Access mode: https : / / www . kaggle . com / cheedcheed / california - renewable - production - 20102018 (дата обращения: 10.12.2019).

114. Christensen, R. Plane Answers to Complex Questions: The Theory of Linear Models / R. Christensen. - 5 nd ed. - Springer, 2020. - 529 p.

115. Classification of information's uncertainty in system research / V. S. Simankov [et al.] // XX IEEE International Conference on Soft Computing and Measurements (SCM).

- 2017. - P. 187-189.

116. Damodaran, A. Strategic Risk Taking: a framework for risk management / A. Damodaran. - New Jersey: Pearson Prentice Hall, 2008. - 388 p.

117. Faber, M. Humankind and the Environment: An Anatomy of Surprise and Ignorance / M. Faber, R. Manstetten, J. L. R. Proops // Environmental Values 1. - 1992. - No 3. - P. 217-241.

118. Ferrero, A. Accounting Measurement Uncertainty in Fuzzy Inference / A. Fer-rero, S. Salicone, G. Todeschini // 2007 IEEE International Workshop on Advanced Methods for Uncertainty Estimation in Measurement. - 2007. - P. 74-79.

119. Florian, S. Quantifying the Complexity of Socio-technical Systems - A Generic, Interdisciplinary Approach / S. Florian, U. Lindemann // Procedia Computer Science.

- 2015. - P. 1-10.

120. Franco, L. A. Problem Structuring for Multicriteria Decision Analysis Interventions / L. A. Franco, G. Montibeller. - John Wiley Sons, 2011. - P. 1-14.

121. Ganesh, R. N. Advances in Principal Component Analysis: Research and Development / R. N. Ganesh. - Springer, 2017. - 252 p.

122. Gil-Aluja, J. Handbook of Management under Uncertainty / J. Gil- Aluja. -Springer US, 2001. - 804 p.

123. Gross, M. The Unknown in Process: Dynamic Connections of Ignorance, NonKnowledge and Related Concepts / M. Gross // Current Sociology. - 2007. - T. 55, No 5. -P. 742-759.

124. Heisenberg, W Uber den anschaulichen Inhalt der quantentheoretischen Kinematik und Mechanik / W. Heisenberg // Zeitschrift fur Physik. - 1927. - S. 172-198.

125. Houlgate, S. Hegel and the Philosophy of Nature / S. Houlgate. - State University of New York Press, 1998. - 354 p.

126. INCOSE. INCOSE Systems Engineering Handbook: A Guide for System Life

Cycle Processes and Activities. - 4 nd ed. - Wiley, 2015. - 304 p.

127. Kant, I. Prolegomena to Any Future Metaphysics / ed. by L. Ellington. - Hack-ett Publishers, 2017. - 138 p.

128. Keynes, J. The General Theory of Employment, Interest and Money / J. Keynes. - Macmillan, 1986. - 380 p.

129. Knight, F. The Economic Organization / F. Knight, R. Emmett. - Transaction Publishers, 2013. - 185 p.

130. Laranjeiro, N. A Survey on Data Quality: Classifying Poor Data / N. Laranjeiro, S. N. Soydemir, J. Bernardino // IEEE 21st Pacific Rim International Symposium on Dependable Computing (PRDC). - 2015. - P. 179-188.

131. Livera, A. Forecasting Time Series With Complex Seasonal Patterns Using Exponential Smoothing / A. Livera, R. Hyndman, R. Snyder // Journal of the American Statistical Association. - 2010. - No 106. - P. 1513-1527.

132. Malinetskii, G. G. Synergetics, Predictability and Deterministic Chaos. Limits of Predictability / G. G. Malinetskii. - Springer Series in Synergetics, 1993. - 255 p.

133. Markowitz, H. M. Portfolio Selection / H. M. Markowitz // The Journal of Finance. - 1952. - No 7 (1). - P. 77-91.

134. McAlinn, K. Dynamic Bayesian Predictive Synthesis in Time Series Forecasting / K. McAlinn, M. West // Journal of Econometrics. - 2018. - P. 1-29.

135. McManus, H. A Framework for Understanding Uncertainty and Its Mitigation and Exploitation in Complex Systems / H. McManus, D. Hastings // Engineering Management Review, IEEE. - 2007. - T. 34. - P. 19.

136. Mesarovic, M.D. Abstract Systems Theory / M.D. Mesarovic. - Berlin; Heidelberg: Springer-Verlag, 1989. - 443 p.

137. Methodological Approaches to Accounting Uncertainty When Planning Lgistic Business Processes / V. Anisimov [et al.] // Proceedings of the International Conference on Digital Technologies in Logistics and Infrastructure (ICDTLI). - 2019. - P. 179-188.

138. Montgomery, D.C. Introduction to Time Series Analysis and Forecasting, 2nd

Edition / D.C. Montgomery, M. Jennings Cheryl, L. Kulahci. - Wiley, 2015. - 672 p.

139. Morariu, N. A neural network model for time series forecasting / N. Morariu, E. Iancu, S. Vlad // Romanian Journal of Economic Forecasting. - 2009. - No 4. - P. 213223.

140. Mukhopadhyay, S. Advanced Data Analytics Using Python / S. Mukhopadh-yay. - Apress, 2018. - 186 p.

141. Neural forecasting: Introduction and literature overview [Electronic resource] / K. Benidis [et al.]. - 2020. - Access mode: https://arxiv.org/pdf/2004.10240.pdf.

142. Orbit: Probabilistic Forecast with Exponential Smoothing [Electronic resource]. - 2020. - Access mode: https://arxiv.org/pdf/2004.08492.pdf.

143. Padukkage, A. Implications of Environmental Uncertainty for Business-IT Alignment: A Comparative Study of SMEs and Large Organizations / A. Padukkage // Australasian Conference on Information Systems Padukkage, Hooper and Toland. - Adelaide Australia, 2015. - P. 1-13.

144. Pereira, I.S.A. A rule-based platform for situation management / I.S.A. Pereira, P.D. Costa, J.P.A. Almeida // IEEE International Multi Disciplinary Conference on Cognitive Methods in Situation Awareness and Decision Support (CogSIMA). - San Diego, 2013. - P. 83-90.

145. Pirnau, M. General information on business Intelligence and OLAP systems architecture / M. Pirnau, C. Botezatu, C.P. Botezatu // The 2nd International Conference on Computer and Automation Engineering (ICCAE). - Singapore, 2010. - P. 294-297.

146. PMML 4.4 - General Structure [Electronic resource]. - Access mode: http://dmg.org/ pmml/v4-4/GeneralStructure.html (дата обращения: 10.12.2019).

147. Power, D.J. Decision Support, Analytics, and Business Intelligence, 3nd Edition / D.J. Power, C. Heavin. - Business Expert Press, 2017. - 196 p.

148. Prediction uncertainty and optimal experimental design for learning dynamical systems / B. Letham [et al.] // Chaos: An Interdisciplinary Journal of Nonlinear Science. -2016. - No 26 (6). - P. 1-17.

149. PyKnow: Expert Systems for Python [Electronic resource]. - Access mode: https: //github.com/buguroo/pyknow (дата обращения: 10.12.2019).

150. Rain in Australia. Predict rain tomorrow in Australia [Electronic resource]. -Access mode: https ://www.kaggle. com / jsphyg / weather - dataset - rattle - package (дата обращения: 10.12.2019).

151. Rencher, A.C. Methods of Multivariate Analysis / A.C. Rencher. - 3nd ed. -Wiley, 2012. - 800 p.

152. Russell, S. Artificial Intelligence: A Modern Approach / S. Russell, P. Norvig.

- 3nd ed. - Pearson, 2009. - 1152 p.

153. Russian Financial Indicators. Dataset of Currency Rates [Electronic resource].

- Access mode: https: / / www. kaggle. com/ olgabelitskaya/ russian- financial - indicators (дата обращения: 10.12.2019).

154. Ryan, D. Expert Systems: Design, Applications and Technology / D. Ryan. -Nova Science Pub. Inc., 2017. - 138 p.

155. Sauter, V.L. Decision Support Systems for Business Intelligence, / V L. Sauter.

- 2nd ed. - Wiley, 2011. - 472 p.

156. Singh, P.K. Create an Automatic Uncertainty Elimination Tools in Software Engineering / P.K. Singh, R.K. Tewari // International Conference on Automation, Computational and Technology Management (ICACTM). - 2019. - P. 237-240.

157. Synthesis of a Decision Support System Based on an Intelligent Situational Center / V.S. Simankov [et al.] // XXIII IEEE International Conference on Soft Computing and Measurements (SCM). - 2020. - P. 182-185.

158. Talagala, T.S. Meta-learning how to forecast time series / T.S. Talagala, R.J. Hyndman, G. Athanasopoulos // Monash Econometrics and Business Statistics Working Papers. - Monash University, 2018. - No 6 (18). - P. 1-30.

159. Tang, Z. Mechanism for a New Demand Forecasting Paradigm "Individual Demand Forecasting" / Z. Tang // Third International Conference on Business Intelligence and Financial Engineering. - 2010. - P. 99-103.

160. Tannert, C. The ethics of uncertainty. In the light of possible dangers, research becomes a moral duty / C. Tannert, H.-D. Elvers, B. Jandrig // EMBO reports. - 2007. - P. 892-896.

161. The JavaScript Object Notation (JSON) Data Interchange Format [Electronic resource]. - Access mode: https: //tools.ietf.org/pdf/rfc7159.pdf (дата обращения: 10.12.2019).

162. Trawinski, K. Random Oracles Fuzzy Rule-Based Multiclassifiers for High Complexity Datasets / K. Trawinski, O. Cordon, A. Quirin // IEEE International Conference on Fuzzy Systems. - 2013. - No 7. - P. 1-8.

163. Wainwright, J. Environmental Modelling: Finding Simplicity in Complexity / J. Wainwright, M. Mulligan. - 2nd ed. - John Wiley, Sons, 2013. - 494 p.

ПРИЛОЖЕНИЕ А - СВИДЕТЕЛЬСТВА О РЕГИСТРАЦИИ ПРОГРАММНОГО ПРОДУКТА

ПРИЛОЖЕНИЕ Б - ОПИСАНИЕ ТЕСТОВЫХ ВЫБОРОК

Выборка I - California Renewable Production

Содержит информацию по возобновляемым источникам энергии в Калифорнии за каждый час с 2010 по 2018 годы.

Содержит следующие признаки: Timestamp - дата; Biogas - объем биогаза; Biomass - масса биомассы;

Geothermal - производство геотермальной энергии; Small Hydro - производство малых гидростанций; Solar - производство солнечной энергии; Solar PV - производство от фотопреобразователей; Solar thermal - производство от солнечных коллекторов; Wind total - производство ветровой энергии.

Пример данных:

TIMESTAMP BIOGAS BIOMASS GEO-THERMAL SMALL HYDRO SOLAR SOLAR PV SOLAR THERMAL WIND TOTAL

2G11-G7-21 GG:GG:GG 177.G 372.G 984.0 516.0 G.G 16G7.G

2G11-G7-21 G1:GG:GG 176.G 373.G 984.0 509.0 G.G 1619.G

2G11-G7-21 G2:GG:GG 177.G 371.G 985.0 506.0 G.G 166G.G

2G11-G7-21 G3:GG:GG 177.G 374.G 985.0 504.0 G.G 1633.G

2G11-G7-21 G4:GG:GG 177.G 377.G 984.0 508.0 G.G 152G.G

2G11-G7-21 G5:GG:GG 177.G 371.G 980.0 510.0 G.G 14G6.G

2G11-G7-21 G6:GG:GG 176.G 372.G 979.0 521.0 1G.G 1391.G

2G11-G7-21 G7:GG:GG 176.G 378.G 977.0 524.0 84.G 1341.G

2G11-G7-21 G8:GG:GG 176.G 38G.G 975.0 526.0 169.G 122G.G

Выборка II - Russian Financial Indicators

Описывает бивалютную корзину в России с 2012 по 2016 годы. Содержит следующие признаки: Date - дата;

monetary_gold - золотой запас;

foreign_exchange_reserves - валютные резервы;

gold - стоимость золота;

silver - стоимость серебра;

platinum - стоимость платины;

palladium - стоимость палладия;

dual_currency_basket - бивалютный индекс;

EUR - курс евро;

USD - курс доллара;

JPY - курс японской йены;

CNY - курс китайского юаня;

INR - курс индийской рупии;

BRL - курс бразильского реала.

Пример данных:

date mon etar y_g° ld foreign _ex-chan ge_r eser ves gold silver plat- inu m palla-diu m dual _cur renc y_ba sket EUR USD JPY CN Y INR BRL

2012- 4469 4539 1667 29.5 1495 648. 35.8 40.7 31.8 0.41 5.04 0.60 17.3

01-11 7 52 .25 6 .09 66 717 591 729 4931 805 9978 884

2012- 4469 4539 1671 30.2 1512 653. 35.6 40.4 31.6 0.41 5.01 0.61 17.6

01-12 7 52 .87 5 .93 06 115 061 886 1968 576 3318 077

2012- 4469 4539 1683 30.3 1527 652. 35.5 40.2 31.6 0.41 5.01 0.61 17.5

01-13 7 52 .17 6 .84 9 527 852 807 1999 467 1597 711

2012- 4469 4539 1667 31.0 1505 641. 35.6 40.6 31.5 0.41 5.00 0.61 17.7

01-14 7 52 .31 5 .86 74 492 189 83 1585 507 4904 632

2012- 4469 4539 1687 30.4 1528 657. 35.7 40.3 31.9 0.41 5.05 0.62 17.8

01-17 7 52 .4 3 .78 1 368 842 344 584 843 0387 914

201201-18 4469 7 4539 52 1685 .56 30.3 2 1547 .64 662. 26 35.4 254 40.1 688 31.5 445 0.41 1781 4.99 794 0.61 7944 17.6 621

201201-19 4469 7 4539 52 1680 .4 30.8 4 1533 .36 658. 17 35.4 661 40.2 612 31.5 428 0.41 1276 4.99 823 0.62 2207 17.6 414

201201-20 4469 7 4539 52 1684 .02 30.5 1 1555 .49 678. 57 35.5 275 40.4 772 31.4 777 0.41 032 4.98 254 0.62 4712 17.8 172

Выборка III - Rain in Australia

Описывает метеосводку в Австралии с 2008 по 2017 годы.

Содержит следующие признаки: Date Дата

Temp Min Минимальная температура от 24 часов до 9 утра.

Max Максимальная температура в течение 24 часов с 9 утра. Rain Осадки (осадки) в течение 24 часов до 9 утра.

Иногда известен только с точностью до миллиметра. Evap Испарение в течение 24 часов до 9 часов утра

Sun Освещенность за 24 часа

Max wind Dirn Направление сильнейшего порыва в течение 24 часов до полу-gust ночи

Spd Скорость сильнейшего порыва ветра за 24 часа до полуночи Time Время сильнейшего порыва ветра 9 am Temp Температура в 9 часов утра

RH Относительная влажность в 9 часов утра Cld Часть неба, затененная облаками в 9 часов утра Dirn Направление ветра в среднем за 10 минут до 9 часов утра Spd Скорость ветра в среднем за 10 минут до 9 часов утра MSLP Атмосферное давление на уровне моря в 9 часов утра. 3 pm Temp Температура в 3 часа дня

RH Относительная влажность в 3 часа дня Cld Часть неба, затененная облаками в 3 часа дня Dirn Направление ветра в среднем за 10 минут до 15 часов. Spd Скорость ветра в среднем за 10 минут до 15 часов MSLP Атмосферное давление на уровне моря в 3 часа дня.

Пример данных:

Date 2008-12-01 2008-12-02 2008-12-03 2008-12-04 2008-12-05

Location Albury Albury Albury Albury Albury

MinTemp 13.4 7.4 12.9 9.2 17.5

MaxTemp 22.9 25.1 25.7 28 32.3

Rainfall 0.6 0 0 0 1

Evaporation NA NA NA NA NA

Sunshine NA NA NA NA NA

WindGustDir W WNW WSW NE W

WindGustSpeed 44 44 46 24 41

WindDir9am W NNW W SE ENE

WindDir3pm WNW WSW WSW E NW

WindSpeed9am 2G 4 19 11 7

WindSpeed3pm 24 22 26 9 2G

Humidity9am 71 44 38 45 82

Humidity3pm 22 25 3G 16 33

Pressure9am 1GG7.7 1G1G.6 1GG7.6 1G17.6 1G1G.8

Pressure3pm 1GG7.1 1GG7.8 1GG8.7 1G12.8 1GG6

Cloud9am 8 NA NA NA 7

Cloud3pm NA NA 2 NA 8

Temp9am 16.9 17.2 21 18.1 17.8

Temp3pm 21.8 24.3 23.2 26.5 29.7

RainToday No No No No No

RISK MM G G G 1 G.2

RainTomorrow No No No No No

ПРИЛОЖЕНИЕ В - АКТ ОБ ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОЙ РАБОТЫ

Об использовании результатов диссертационного исследования Теплоухова Семёна Васильевича на тему «Методика идентификации и учета неопределенности исходной информации в ситуационных центрах» на соискание ученой степени кандидата технических наук по специальности 05.13.01 «Системный анализ, управление и обработка информации (по отраслям)» в учебном процессе ФГБОУ ВО «Адыгейский государственный университет»

Комиссия в составе:

Председателя - и.о. декана инженерно-физического факультета к.с.н.. доцента Алиевой М.Ф.;

Членов комиссии: заведующего кафедрой «Автоматизированных систем обработки информации и управления», к.т.н., доцента Бучацкого П.Ю.; доцента кафедры «Автоматизированные системы обработки информации и управления», к.п.н., доцента Мамия А.Р. составили настоящий акт о том, что результаты диссертационной работы Теплоухова Семёна Васильевича «Методика идентификации и учета неопределенности исходной информации в ситуационных центрах», представленной на соискание ученой степени кандидата технических наук по специальности 05.13.01 «Системный анализ, управление и обработка информации (по отраслям)», использованы в реализуемых на кафедре «Автоматизированных систем обработки информации и управления» ФГБОУ ВО «Адыгейский государственный университет» образовательных программах.

Комиссия установила, что материалы диссертационной работы соискателя Теплоухова C.B. использованы при изучении дисциплин «Программное обеспечение автоматизированных систем в научных исследованиях», «Системы поддержки принятия решений» на кафедре «Автоматизированных систем обработки информации и управления» и соответствуют требованиям, предъявляемым к содержанию дисциплин по направлению подготовки 09.03.01 «Информатика и вычислительная техника».

УТВЕРЖДАЮ

\ifep научной работе Два||У», доцент, к.б.н.

М.Н. Силантьев

АКТ

Председатель комиссии М.Ф. Алиева

Члены комиссии.