Применение машинного обучения в прогнозировании предаварийных ситуаций в системах теплоснабжения

Решение задачи прогнозирования в системах, характеризующихся проблемой подбора традиционного алгоритма для ее описания, сводится к технологии машинного обучения. В контексте прогнозирования аварий в системах теплоснабжения эта технология является наиболее эффективной. Осуществление прогноза сводится к задаче восстановления функции в общем контенте обучения с учителем. Из имеющихся инструментов машинного обучения следует использовать градиентный бустинг. Он работает по следующему принципу: на первых итерациях используются слабые алгоритмы, затем наращивается ансамбль постепенными улучшениями тех участков данных, где предыдущие модели «не доработали». Но при построении следующей простой модели она строится не просто на перевзвешенных наблюдениях, а так, чтобы лучшим образом приближать общий градиент целевой функции. Градиентный бустинг является одним из эффективных алгоритмов прогнозирования, и точность прогноза зависит от правильных входных данных (обучающая выборка). Исследуемая предметная область, а именно исследование аварийных ситуаций на тепловых сетях, имеет достаточные объемы накопленных данных для применения бустинга в качестве основного инструмента для прогноза.