<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Порівняльний аналіз статистичних підходів і нейро-нечітких моделей для прогнозування температури зерна

Скорочена інформація про документ
dc.contributor.authorЛіщук, А. Р.uk
dc.contributor.advisorДубовой, В. М.uk
dc.titleПорівняльний аналіз статистичних підходів і нейро-нечітких моделей для прогнозування температури зернаuk
dc.date.issued2025
dc.publisherВінницький національний технічний університетuk
dc.identifier.citationЛіщук А. Р. Порівняльний аналіз статистичних підходів і нейро-нечітких моделей для прогнозування температури зерна // Матеріали LIV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2025 р. Електрон. текст. дані. 2025. URI: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2025/paper/view/24099.uk
dc.relation.ispartofМатеріали LIV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2025 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2025/paper/view/24099
dc.identifier.isbn978-617-8132-48-8
dc.identifier.udc004.8:631.563
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/49221
dc.description.abstractДосліджено ефективність статистичних методів (лінійна та поліноміальна регресія, ARIMA, експоненційне згладжування) та нейро-нечітких моделей (Mamdani та ANFIS – що базується на моделі Sugeno) у прогнозуванні температури зерна. Проведено порівняльний аналіз точності прогнозів на основі реальних і симуляційних даних. Оцінено час навчання та прогнозування для кожного підходу, а також визначено їхню обчислювальну складність.uk
dc.description.abstractThe effectiveness of statistical methods (linear and polynomial regression, ARIMA, exponential smoothing) and neurofuzzy models (Mamdani and ANFIS – based on the Sugeno model) in grain temperature forecasting has been investigated.en
dc.subjectпрогнозування температури зернаuk
dc.subjectстатистичні моделіuk
dc.subjectнейро-нечіткі системиuk
dc.subjectпорівняльний аналізuk
dc.subjectточність прогнозуванняuk
dc.subjectgrain temperature forecastingen
dc.subjectstatistical modelsen
dc.subjectneuro-fuzzy systemsen
dc.subjectcomparative analysisen
dc.subjectforecasting accuracyen
dc.typeThesis
dc.language.isouk_UAuk_UA
dc.relation.referencesS. Duan, W. Yang, X. Wang, S. Mao and Y. Zhang, "Deep Spatio-Temporal Attention Model for Grain Storage Temperature Forecasting," 2020 IEEE 26th International Conference on Parallel and Distributed Systems (ICPADS), Hong Kong, 2020, pp. 593600.en
dc.relation.referencesZhang, Q.; Zhang, W.; Huang, Q.; Wan, C.; Li, Z. AMSformer: A Transformer for Grain Storage Temperature Prediction Using Adaptive Multi-Scale Feature Fusion. Agriculture 2025, 15, 58.en
dc.relation.referencesS. Duan, W. Yang, X. Wang, S. Mao and Y. Zhang, "Temperature Forecasting for Stored Grain: A Deep Spatiotemporal Attention Approach," in IEEE Internet of Things Journal, vol. 8, no. 23, pp. 17147-17160, 1 Dec.1, 2021.en
dc.date.accessioned2025-09-12T10:05:11Z
dc.date.available2025-09-12T10:05:11Z

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
24099.pdf
Розмір:
291,42 KB
Формат:
Adobe Portable Document Format
Завантажити

Ліцензійна угода

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
license.txt
Розмір:
17 B
Формат:
Plain Text
Опис:
Завантажити

Зібрання

НТКП ВНТУ. Факультет інтелектуальних інформаційних технологій та автоматизації (2025)