ОПРЕДЕЛЕНИЕ СЛУЧАЙНОГО ПРОЦЕССА В ОДНОМЕРНОМ ВРЕМЕННОМ РЯДЕ
DOI:
https://doi.org/10.52167/1609-1817-2024-131-2-376-384Ключевые слова:
одномерный временной ряд, сетевой трафик, анализ данных, автокорреляционная функция, критерии проверки случайностиАннотация
На сегодняшний день наблюдается астрономический рост объема данных, связанных с информационными потоками от различной деятельности человека. Все увеличивающийся объём пропускаемой информации создаёт для опорной сети передачи данных определенную сложность при её обработке. С другой стороны, современное общество требует высоких скоростей передачи обработанной информации. Исследование реально измеренных данных показывают, что они обладают неравномерной интенсивностью поступления пакетов на обслуживающие сетевые устройства. Модели, созданные на основе данных, описывающих изменения одного объекта в разные моменты времени (временные ряды), обычно проявляют не стационарность, что свидетельствует о многокомпонентной структуре этих данных. Выявить и количественно выразить компоненты сложной структуры – наличие/отсутствие тенденции, периодичности, случайной компоненты является основной задачей анализа временного ряда. В ходе анализа временных рядов крайне важно выявить, является ли ряд стационарным или нестационарным, поскольку они обладают различными статистическими характеристиками и, следовательно, требуют различных методов оценки [1-3]. В данной работе проведена проверка на случайный процесс временного ряда, основанного на фактических данных, полученных с магистрали в городе Алматы, (Казахстан). Для исследования временного ряда использованы методы автокорреляции, дифференциации, применены статистические тесты для определения случайного процесса, который является одним из факторов не стационарности ряда.
Библиографические ссылки
[1] Власюк А. А., Орлов Ю. Н. Точность идентификации выборочных распределений временных рядов в зависимости от типа распределения, нормы и длины выборки // Препринты ИПМ им. М.В. Келдыша. - 2015. - № 17. - С.25
[2] Кильдишев Г.С., Френкель А.А. Анализ временных рядов и прогнозирование. - М.: «Статистика», 1973. –106 с.
[3] Г.У.Бектемысова, Ж.Б.Ибраева, А.Е.Кулакаева, Б.А.Кожахметова. Анализ измеренного сетевого трафика на стационарность. Вестник КазАТК, Вестник Казахской Академии Транспорта и Коммуникации им. М.Тынышпаева, ISSN 2790-5802, -№ 3 (122), -2022г. -С.: 302-308
[4] Л.В. Кирьянова. Теория случайных процессов: Курс лекций [Текст]: Л. В Кирьянова, А.Ю. Лемин, Т.А. Мацеевич. МОН РФ, Нац. исследоват. Моск. гос. строит. ун-т. – М.: Изд-во Моск. гос. строит. ун-та. - Мир, 2016. – 96 с.
[5] Дж.Бендат, Прикладной анализ случайных данных: Пер. с англ. [Текст]: Бендат, Дж. – М.: Мир, 1989. – 540 с.
[6] Sovetov, B. Y., Tatarnikova, T. M., Tsekhanovskiy, V. V. (2020) Avtoregressionnyye modeli prognozirovaniya setevogo trafika. Materialy konferentsii «Informatsionnyye tekhnologii v upravlenii». [Autoregressive models for predicting network traffic. Proceedings of the conference "Information technologies in management", 2020 St. Petersburg State University "LETI" them. IN AND. ULYANOVA (LENINA)]
[7] Beard E., Marsden J., Brown J., Tombor I., Stapleton J., Michie S., & West, R. Understanding and using time series analyses in addiction research // Society for the Study of Addiction. – 2019. – №114 (10). – P.1866-1884 DOI:10.1111/add.14643
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Жанар Ибраева, Тохтабуби Иманбекова, Руслан Камал
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
