Constructing non-elementary quasilinear regressions using mathematical programming apparatus

Capa

Citar

Texto integral

Resumo

In non-elementary quasilinear regressions, the explanatory variables are first transformed using elementary functions, after which the pairs of resulting factors are again transformed using the non-elementary functions min and max. Such models are nonlinear in both factors and parameters, so even their estimation seems to be a complex computational task. And if the composition of the variables included in the model, as well as their elementary and non-elementary transformations, is unknown, then the complexity of the problem increases significantly. This study aims to solve this problem. Instead of labor-intensive exhaustive search procedures, a well-developed mathematical programming apparatus has been used recently. The method for constructing non-elementary quasilinear regressions is formalized as a mixed 0-1 integer linear programming problem. The proposed method is implemented in a special computer program. Its advantage is that the user can regulate the number of transformed variables during the construction process, so the program can be used both for solving simple control problems on ordinary personal computers and for processing large data arrays using cloud services. Non-elementary quasilinear regressions can be used to solve control problems in technical, socio-economic, medical and other systems.

Sobre autores

Mikhail Bazilevskiy

Irkutsk State Transport University

Email: mik2178@yandex.ru
Irkutsk

Bibliografia

  1. БАЗИЛЕВСКИЙ М.П. Метод построения неэлементар-ных линейных регрессий на основе аппарата математи-ческого программирования // Проблемы управления. – 2022. – №4. – С. 3–14.
  2. БАЗИЛЕВСКИЙ М.П. Отбор информативных операций при построении линейно-неэлементарных регрессионных моделей // Int. Journal of Open Information Technologies. – 2021. – Т. 9, №5. – С. 30–35.
  3. БАЗИЛЕВСКИЙ М.П. Оценивание линейно-неэле¬мен-тарных регрессионных моделей с помощью метода наименьших квадратов // Моделирование, оптимизация и информационные технологии. – 2020. – Т. 8, №4(31).
  4. БАЗИЛЕВСКИЙ М.П. Программа построения вполне интерпретируемых элементарных и неэлементарных квазилинейных регрессионных моделей // Труды Инсти-тута системного программирования РАН. – 2023. – Т. 35, №4. – С. 129–144.
  5. БАЗИЛЕВСКИЙ М.П. Технология построения вполне интерпретируемых квазилинейных регрессионных моде-лей // Прикладная математика и вопросы управления. – 2024. – №1. – С. 123–138.
  6. КЛЕЙНЕР Г.Б. Производственные функции: Теория, ме-тоды, применение. – М.: Финансы и статистика, 1986. – 239 с.
  7. НОСКОВ С.И. Технология моделирования объектов с нестабильным функционированием и неопределенно-стью в данных. – Иркутск: РИЦ ГП «Облинформпечать», 1996. – 320 с.
  8. AHMAD S.A., RAFIQ S.K., AHMED H.U. et al. Innovative soft computing techniques including artificial neural network and nonlinear regression models to predict the compressive strength of environmentally friendly concrete incorporating waste glass powder // Innovative Infrastructure Solutions. – 2023. – Vol. 8, No. 4. – P. 119.
  9. CHEN D., HU F., NIAN G. et al. Deep residual learning for nonlinear regression // Entropy. – 2020. – Vol. 22, No. 2. – P. 193.
  10. FENG Y., LIU Q., YAO Q. et al. Model averaging for non-linear regression models // Journal of Business & Economic Statistics. – 2022. – Vol. 40, No. 2. – P. 785–798.
  11. JAF D.K.I., ABDALLA A., MOHAMMED A.S. et al. Hybrid nonlinear regression model versus MARS, MEP, and ANN to evaluate the effect of the size and content of waste tire rub-ber on the compressive strength of concrete // Heliyon. – 2024. – Vol. 10, No. 4.
  12. KONNO H., YAMAMOTO R. Choosing the best set of vari-ables in regression analysis using integer programming // Journal of Global Optimization. – 2009. – Vol. 44. – P. 273–282.
  13. MAZUMDER R., RADCHENKO P., DEDIEU A. Subset se-lection with shrinkage: Sparse linear modeling when the SNR is low // Operations Research. – 2023. – Vol. 71, No. 1. – P. 129–147.
  14. MILLER A. Subset selection in regression. – Chapman and hall/CRC, 2002.
  15. MOLNAR C. Interpretable machine learning. – Lulu.com, 2020.
  16. MONTGOMERY D.C., PECK E.A., VINING G.G. Introduc-tion to linear regression analysis. – John Wiley & Sons, 2021.
  17. OMOGOROYE O.O., OLANIYI O.O., ADEBIYI O.O. et al. Electricity consumption (kW) forecast for a building of inter-est based on a time series nonlinear regression model // Asian Journal of Economics, Business and Accounting. – 2023. – Vol. 23, No. 21. – P. 197–207.
  18. SHARIFANI K., AMINI M. Machine learning and deep learning: A review of methods and applications // World In-formation Technology and Engineering Journal. – 2023. – Vol. 10, No. 7. – P. 3897–3904.
  19. TUFANER F., DEMIRCI Y. Prediction of biogas production rate from anaerobic hybrid reactor by artificial neural net-work and nonlinear regressions models // Clean Technolo-gies and Environmental Policy. – 2020. – Vol. 22. – P. 713–724.
  20. WEN L., LI Y., CHAI J. Multiple nonlinear regression mod-els for predicting deformation behavior of concrete-face rockfill dams // Int. Journal of Geomechanics. – 2021. – Vol. 21, No. 2. – P. 04020253.
  21. WOLSEY L.A. Integer programming. – John Wiley & Sons, 2020.
  22. YANG G.R., WANG X.J. Artificial neural networks for neu-roscientists: a primer // Neuron. – 2020. – Vol. 107, No. 7. – P. 1048–1070.
  23. YANG Y., DU L., LI Q. et al. Vibration prediction and analysis of the main beam of the TBM based on a multiple linear regression model // Scientific Reports. – 2024. – Vol. 14, No. 1. – P. 3498.
  24. ZHANG Z., YIN Z., CHEN Y. et al. Evaluation and predic-tion of water resources carrying capacity using a multiple linear regression model in Taizhou City, China // Human and Ecological Risk Assessment: An International Journal. – 2023. – Vol. 29, No. 2.– P. 553–570.
  25. ZITAR R.A., MOHSEN A., SEGHROUCHNI A.E. et al. In-tensive review of drones detection and tracking: linear kal-man filter versus nonlinear regression, an analysis case // Archives of Computational Methods in Engineering. – 2023. – Vol. 30, No. 5. – P. 2811–2830.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar


Creative Commons License
Este artigo é disponível sob a Licença Creative Commons Atribuição–NãoComercial 4.0 Internacional.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».