Алгоритмы машинного обучения предоставляют широкий спектр возможностей для предиктивного анализа работы технологического оборудования. Они позволяют выявлять скрытые закономерности и прогнозировать будущие события на основе имеющихся данных. Целью данного исследования является анализ и сравнение методов машинного обучения для реализации задач прогнозирования состояния вибрации компрессорной установки. Каждый из методов имеет свои преимущества и ограничения, поэтому выбор конкретного алгоритма зависит от решаемой задачи применительно к характеристикам оборудования и данных. В данной работе исследованы методы машинного обучения для решения задачи регрессии: в случае прогнозирования одномерных рядов использованы методы авторегрессии и авторегрессии со скользящей средней; для прогнозирования многомерных рядов использованы методы линейной регрессии, деревьев решений, случайный лес и градиентный бустинг. Проведен сравнительный анализ методов машинного обучения. Из результатов анализа видно, что для задачи регрессии наилучшими методами являются ансамблевые методы, такие как случайный лес и XGBoost. Применение XGBoost значительно улучшает качество прогнозов, особенно при работе с большим объемом данных. Для моделей AutoReg и ARIMA необходим стационарный временной ряд для получения точных и интерпретируемых результатов. Важно экспериментировать и настраивать параметры для каждого конкретного временного ряда, учитывая такие факторы, как наличие сезонности, тренда и выбросов в данных. При выборе метода прогнозирования необходимо учитывать не только его математические характеристики, но и особенности конкретных данных, на которых он будет применен.
Цель исследования заключается в разработке нового архитектурного решения, обеспечивающего внедрение моделей потокового машинного обучения на основе методов и алгоритмов потоковой обработки многомодальных данных и машинного обучения в потоковой интеллектуальной образовательной системе для повышения персонализации образовательного процесса и автоматической адаптации учебных материалов под уровень знаний обучающихся в реальном времени. В работе описаны процессы передачи и обработки данных из различных многомодальных источников в модель потокового машинного обучения. Для нормализации данных применяется адаптивный метод скользящих окон, позволяющий корректно обрабатывать непрерывный поток информации с учетом временной синхронизации. Особое внимание в исследовании уделено вопросу контроля использования оперативной памяти для обеспечения стабильного функционирования системы в условиях ограниченности вычислительных ресурсов в образовательных организациях. Экспериментальные результаты, визуализированные на графиках и в таблице, демонстрируют эффективность интеграции нескольких алгоритмов потокового машинного обучения, таких как адаптивный случайный лес, инкрементальный алгоритм дерева решений для задач классификации и регрессии, в единую модель. Предложенная архитектура, которая сопровождается схемой, характеризуется высокой масштабируемостью, легкостью интеграции с существующими образовательными платформами и адаптивностью к изменяющимся условиям использования, что открывает перспективы дальнейших исследований и практического применения в образовательных технологиях.