Optimized model for predicting the availability of objects based on deep learning and geospatial features

Abstract

EN: Context. Today, predicting the availability of objects in spatially distributed systems remains one of the areas of computer science that constantly attracts the attention of researchers. There are many reasons for this. There is an increase in the amount of spatial information. New types of infrastructure networks are emerging, as well as the need for rapid decision-making in changing conditions. At the same time, traditional analysis methods do not always cope with the tasks of processing multidimensional data. This is especially true when it comes to complex or unstable environments. This opens up opportunities for applying deep learning methods that demonstrate high efficiency where classical approaches fail. Objective. The study aims to optimize the model for predicting the availability of objects in spatially distributed systems by defining an efficient deep learning architecture that uses spatial and other infrastructure features to improve prediction accuracy and generalizability. Method. To achieve this goal, deep learning architectures were used, including feed-forward models (FNN), convolutional neural networks (CNN), and recurrent neural networks (RNN, GRU, LSTM). During the modeling, methods of data normalization, training regularization, and a comprehensive system for evaluating the accuracy of forecasts using the mean square error, mean absolute error, and coefficient of determination were used. Results. An optimized architecture of a recurrent neural network was built for the study, which includes a combination of two recurrent layers, Dropout regularization layers, and a fully connected layer. The analysis has shown that the proposed model provides high accuracy in predicting the availability of objects, demonstrating stability over a wide range of spatial data. Comparison of actual and predicted values confirmed the effectiveness of the proposed solution. Conclusions. The proposed approach to building an optimized deep learning model for predicting the availability of objects provides a high level of generalization and accuracy, which creates prerequisites for its use in systems of intelligent decision support in spatially distributed environments. UK: Актуальність. На сьогодні прогнозування доступності об’єктів у просторово-розподілених системах залишається одним із тих напрямів інформатики, який постійно привертає увагу дослідників. Причин для цього чимало. Спостерігається збільшення обсягів просторової інформації. Появляються нові типи інфраструктурних мереж, а також потреба в оперативному прийнятті рішень у мінливих умовах. Водночас, традиційні методи аналізу не завжди справляються із завданнями обробки багатовимірних даних. Особливо це актуально, коли йдеться про складні або нестабільні середовища. Це відкриває можливості для застосування методів глибинного навчання, які демонструють високу ефективність там, де класичні підходи не працюють. Мета роботи. Дослідження спрямоване на оптимізацію моделі прогнозування доступності об’єктів у просторово-розподілених системах шляхом визначення ефективної архітектури глибинного навчання, що використовує просторові та інфраструктурні ознаки для підвищення точності прогнозування та узагальнюючої здатності. Методи. Для досягнення поставленої мети було застосовано архітектури глибинного навчання, серед яких моделі прямого розповсюдження (FNN), згорткові нейронні мережі (CNN) та рекурентні нейронні мережі (RNN, GRU, LSTM). Під час моделювання використовувалися методи нормалізації даних, регуляризації навчання, а також комплексна система оцінювання точності прогнозів за допомогою середньої квадратичної помилки, середньої абсолютної помилки та коефіцієнта детермінації. Результати. Під виконання дослідження було побудовано оптимізовану архітектуру рекурентної нейронної мережі, що включає комбінацію двох рекурентних шарів, шарів регуляризації Dropout та повнозв’язного шару. Проведений аналіз показав, що запропонована модель забезпечує високу точність прогнозування доступності об’єктів, демонструючи стабільність роботи на широкому спектрі просторових даних. Співставлення фактичних та прогнозованих значень підтвердило ефективність запропонованого рішення. Висновки. Запропонований підхід до побудови оптимізованої моделі глибинного навчання для прогнозування доступності об’єктів забезпечує високий рівень узагальнення та точності, що створює передумови для її використання у системах інтелектуальної підтримки прийняття рішень у просторово-розподілених середовищах.