Інтегрована система підтримки прийняття рішень для прогнозування вартості кіберінцидентів у критичній інфраструктурі
DOI:
https://doi.org/10.33216/1998-7927-2026-305-6-43-52Ключові слова:
система підтримки прийняття рішень, критична інфраструктура, прогнозування часових рядів, ансамблеве прогнозування, байєсівська агрегація, оцінювання невизначеностіАнотація
Системи критичної інфраструктури функціонують в умовах високої динамічності, нестаціонарності та невизначеності, що висуває підвищені вимоги до сучасних систем підтримки прийняття рішень. Забезпечення своєчасного та достовірного прогнозування стану таких об'єктів є важливою умовою підвищення їхньої надійності та безпеки функціонування. Існуючі методи прогнозування забезпечують високу точність, проте недостатньо враховують невизначеність прогнозів, обмежено підтримують інтерпретованість результатів і недостатньо адаптуються до зміни умов експлуатації, а прогнозування, оцінювання невизначеності та пояснюваність здебільшого реалізуються ізольовано. Метою роботи є підвищення надійності, адаптивності та інтерпретованості підтримки прийняття рішень шляхом розроблення інтегрованої системи прогнозування стану об'єктів критичної інфраструктури.
Запропоновано модульну архітектуру системи, що об'єднує модулі збору та попередньої обробки даних, формування ознак, ансамблевого прогнозування, оцінювання невизначеності, пояснюваності та підтримки прийняття рішень. Гібридний ансамбль поєднує статистичні моделі, регресори машинного навчання та рекурентні нейронні мережі з динамічним байєсівським зважуванням прогнозів. Наукова новизна полягає в інтеграції гібридного прогнозування, динамічної байєсівської агрегації моделей, оцінювання невизначеності прогнозів і адаптивного навчання із замкненим контуром зворотного зв'язку в межах єдиної інформаційної технології підтримки прийняття рішень.
Експериментальну перевірку виконано на відкритому наборі даних ETTh1 (17 420 спостережень, 41 ознака) за протоколом ковзного початку (20 вікон оцінювання, горизонти 1–24 год). Запропонована система забезпечила MAE = 1,329 ± 0,448, RMSE = 1,911 та R² = 0,897, що відповідає зменшенню похибки на 24,6–30,1 % порівняно з окремими моделями машинного навчання. Абляційне дослідження показало, що модуль адаптивного навчання забезпечує зменшення MAE на 82,4 %, а модуль байєсівської агрегації — коректне калібрування прогнозних інтервалів (PICP = 0,952 за номінального рівня 0,95). Індекс довіри значуще корелює з фактичною похибкою, що дає змогу використовувати його як критерій ескалації рішення до експерта. Статистичну значущість відмінностей підтверджено критеріями Вілкоксона та Фрідмана.
Посилання
1. Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice. 3rd ed. Melbourne : OTexts, 2021. 442 p. URL: https://otexts.com/fpp3/
2. Tao Hong, Pierre Pinson, Shu Fan, Global Energy Forecasting Competition 2012, International Journal of Forecasting, Volume 30, Issue 2, 2014, 357-363, https://doi.org/10.1016/j.ijforecast.2013.07.001
3. Box G. E. P., Jenkins G. M., Reinsel G. C. Time Series Analysis: Forecasting and Control. 4th ed. Hoboken : John Wiley & Sons, 2008. 784 p. https://doi.org/10.1002/9781118619193
4. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735
5. Cho K., van Merrienboer B., Gulcehre C. et al. Learning phrase representations using RNN encoder–decoder for statistical machine translation // Proc. EMNLP. 2014. P. 1724–1734. DOI: https://doi.org/10.3115/v1/D14-1179
6. Gal Y., Ghahramani Z. Dropout as a Bayesian approximation: representing model uncertainty in deep learning // Proc. ICML. 2016. P. 1050–1059. DOI: https://doi.org/10.48550/arXiv.1506.02142
7. Zhou Z.-H. Ensemble Methods: Foundations and Algorithms. Boca Raton : CRC Press, 2012. 236 p. DOI: https://doi.org/10.1201/b12207
8. Hoeting J. A., Madigan D., Raftery A. E., Volinsky C. T. Bayesian model averaging: a tutorial // Statistical Science. 1999. Vol. 14, No. 4. P. 382–401. DOI: https://doi.org/10.1214/ss/1009212519
9. Raftery A. E., Madigan D., Hoeting J. A. Bayesian model averaging for linear regression models // Journal of the American Statistical Association. 1997. Vol. 92, No. 437. P. 179–191. DOI: https://doi.org/10.1080/01621459.1997.10473615
10. Lundberg S. M., Lee S.-I. A unified approach to interpreting model predictions // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 4765–4774. DOI: https://doi.org/10.48550/arXiv.1705.07874
11. Ribeiro M. T., Singh S., Guestrin C. "Why should I trust you?" Explaining the predictions of any classifier // Proc. 22nd ACM SIGKDD. 2016. P. 1135–1144. DOI: https://doi.org/10.1145/2939672.2939778
12. Barredo Arrieta A., Diaz-Rodriguez N., Del Ser J. et al. Explainable artificial intelligence (XAI): concepts, taxonomies, opportunities and challenges toward responsible AI // Information Fusion. 2020. Vol. 58. P. 82–115. DOI: https://doi.org/10.1016/j.inffus.2019.12.012
13. Gama J., Zliobaite I., Bifet A., Pechenizkiy M., Bouchachia A. A survey on concept drift adaptation // ACM Computing Surveys. 2014. Vol. 46, No. 4. Article 44. DOI: https://doi.org/10.1145/2523813
14. Mosqueira-Rey, E., Hernández-Pereira, E., Alonso-Ríos, D. et al. Human-in-the-loop machine learning: a state of the art. Artif Intell Rev 56, 3005–3054 (2023). https://doi.org/10.1007/s10462-022-10246-w
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
