| dc.contributor.author | Кадирова, М. М. | uk |
| dc.contributor.author | Крижановський, Є. М. | uk |
| dc.contributor.author | Kadyrova, M. M. | en |
| dc.contributor.author | Kryzhanovsky, E. M. | en |
| dc.date.accessioned | 2026-09-03T10:55:30Z | |
| dc.date.available | 2026-09-03T10:55:30Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Кадирова М. М., Крижановський Є. М. Системний аналіз та прогнозування витрат води за інформацією з бази даних WISE // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29142. | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua/handle/123456789/53875 | |
| dc.description.abstract | У роботі розглянуто задачу системного аналізу та прогнозування витрат поверхневих водних ресурсів | uk |
| dc.description.abstract | This work addresses the problem of systematic analysis and forecasting of surface water flow in Europe using data from the WISE (Water Information System for Europe) monitoring database. Exploratory data analysis was performed on a dataset of over 5.7 million observations, a data preprocessing pipeline was developed, and two predictive models were built and compared — LightGBM and a deep neural network. The LightGBM model demonstrated superior accuracy (R²=0.7469, MAE=2.5464) and is recommended as the primary model for hydrological indicator forecasting. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29142 | |
| dc.subject | машинне навчання | uk |
| dc.subject | LightGBM | en |
| dc.subject | прогнозування гідрологічних показників | uk |
| dc.subject | WISE | en |
| dc.subject | градієнтнийбустинг | uk |
| dc.subject | нейронна мережа | uk |
| dc.subject | розвідувальний аналіз даних | uk |
| dc.subject | machine learning | en |
| dc.subject | LightGBM | en |
| dc.subject | hydrological forecasting | en |
| dc.subject | WISE | en |
| dc.subject | gradient boosting | en |
| dc.subject | neural network | en |
| dc.subject | exploratory data analysis | en |
| dc.title | Системний аналіз та прогнозування витрат води за інформацією з бази даних WISE | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.9+574 | |
| dc.relation.references | Юань Т., Чжан Ю., Лю Ф. Machine learning-driven advances in water treatment and ecological environmental monitoring. Environmental Research. 2025. Вип. 245. С. 117–134. | en |
| dc.relation.references | Гарсія М., Лопес Дж., Фернандес К. Bibliometric-Systematic Literature Review (B-SLR) of Machine Learning-Based Water Quality Prediction: Trends, Gaps, and Future Directions. MDPI Water. 2025. Вип. 17. 24 с. | en |
| dc.relation.references | Мокін В. Б., Дратований М. В. Наука про дані: машинне навчання та інтелектуальний аналіз даних. Навч. посібник. Вінниця : ВНТУ, 2024. С. 119–128. | uk |
| dc.relation.references | Сібінді Р., Мвангі Р. В., Вайтіту А. Г. A boosting ensemble learning based hybrid light gradient boosting machine and extreme gradient boosting model for predicting house prices. Engineering Reports. 2023. Т. 5, № 4. e12599. | en |
| dc.relation.references | Water Quantity, 2025, The Water Information System for Europe. [Електронний ресурс]. – Режим доступу: https://sdi.eea.europa.eu/catalogue/datahub/api/records/3f6e7d37-eb3b-407a-b2ed-3eb390668e36 | en |