Вестник Нижегородского университета им. Н.И. Лобачевского. Серия: Социальные науки

16+

Название статьи

ПРОГНОЗИРОВАНИЕ ИННОВАЦИОННОГО РАЗВИТИЯ РАДИОЭЛЕКТРОННОЙ ПРОМЫШЛЕННОСТИ С ИСПОЛЬЗОВАНИЕМ РЕГРЕССИИ ГАУССОВСКОГО ПРОЦЕССА

Тип статьи	научная статья	Коды УДК
Страницы	96-105	Ключевые слова

Авторы

Яшин С.Н.Кошелев Е.В.Иванов А.А.

Аннотация

Целью исследования является прогнозирование инновационного развития радиоэлектронной промышленности (РЭП) в регионах страны. Для этого применяется метод регрессии гауссовского процесса (GPR), который реализуется в несколько этапов: 1) корректировка данных на инфляцию, их нормализация и линеаризация, 2) обучение различных моделей квазивременного ряда, 3) верификация лучшей модели на новых незнакомых данных, 4) определение регионов-лидеров и сегментов входных и выходных переменных, 5) оценка соответствия исследуемых регионов выбранным сегментам. Получено, что регионы, лидирующие в отрасли РЭП в России в 2023 г., - г. Москва, г. Санкт-Петербург и Республика Татарстан. Но наиболее важные выводы получаются по обученной модели по данным прогнозов для целей 1-3. При этом учитывается, что ошибка MAPE для исследуемых регионов должна быть меньше 0.5 для того, чтобы делать адекватные выводы. Так, в планируемые сегменты регионов-лидеров по прогнозу для цели 2 «Разработанные передовые производственные технологии» и цели 3 «Сальдированный финансовый результат (информатизация и связь)» попадают Нижегородская, Свердловская и Новосибирская области. Следовательно, эти регионы имеют перспективы инновационного развития отрасли РЭП настолько, что они, действительно, могут претендовать на лидерство в данной отрасли в ближайшем будущем.

Загрузить статью

Библиографический список

1 . Berikol G.B., Berikol G. Predictive Models in Precision Medicine // Artificial Intelligence in Precision Health. Academic Press, 2020. P. 177-188. https://doi. org/10.1016/B978-0-12-817133-2.00007-0.
2 . Halder R.K., Uddin M.N., Uddin M.A. et al. Enhancing K-Nearest Neighbor Algorithm: A Comprehensive Review and Performance Analysis of Modifications // J. Big Data. 2024. Vol. 11 (113). https:// doi.org/10.1186/s40537-024-00973-y.
3 . Gangula R., Venkateswarlu B. Exploring the Power and Practical Applications of K-Nearest Neighbours (KNN) in Machine Learning // Journal of Computer Allied Intelligence. 2024. Vol. 2. https://doi.org/10.69996 /jcai.2024002.
4 . Uddin S., Haque I., Lu H. et al. Comparative Performance Analysis of K-Nearest Neighbour (KNN) Algorithm and Its Different Variants for Disease Prediction // Sci. Rep. 2022. Vol. 12. https://doi.org/10.1038/ s41598-022-10358-x.
5 . Azad M., Nehal T.H., Moshkov M. A Novel Ensemble Learning Method Using Majority Based Voting of Multiple Selective Decision Trees // Computing. 2025. Vol. 107 (42). https://doi.org/10.1007/s00607-024-01394-8.
6 . Safi S.K., Gul S. An Enhanced Tree Ensemble for Classification in the Presence of Extreme Class Imbalance // Mathematics. 2024. Vol. 12 (20). https://doi.org/ 10.3390/math12203243.
7 . Carrizosa E., Kurishchenko K., Morales D.R. On Enhancing the Explainability and Fairness of Tree Ensembles // European Journal of Operational Research. 2025. Vol. 323 (2). P. 599-608. https://doi.org/10.1016 /j.ejor.2025.01.008.
8 . Deringer V.L., Bart?k A.P., Bernstein N. et al. Gaussian Process Regression for Materials and Molecules // Chem. Rev. 2021. Vol. 121 (16). P. 10073-10141. https://doi.org/10.1021/acs.chemrev.1c00022.
9 . Xu X., Zhang Y. A Gaussian Process Regression Machine Learning Model for Forecasting Retail Property Prices with Bayesian Optimizations and Cross-Validation // Decision Analytics Journal. 2023. Vol. 8. https://doi.org/10.1016/j.dajour.2023.100267.
10 . Ions K., Rahat A., Reeve D.E., Karunarathna H. Gaussian Process Regression Approach for Predicting Wave Attenuation Through Rigid Vegetation // Applied Ocean Research. 2024. Vol. 145. https://doi.org/10.1016/ j.apor.2024.103935.
11 . Niu T., Xu Z., Luo H., Zhou Z. Hybrid Gaussian Process Regression with Temporal Feature Extraction for Partially Interpretable Remaining Useful Life Interval Prediction in Aeroengine Prognostics // Sci. Rep. 2025. Vol. 15. https://doi.org/10.1038/s41598-025-88703-z.
12 . Ghosh S.S., Dey S., Bhogapurapu N. et al. Gaussian Process Regression Model for Crop Biophysical Parameter Retrieval from Multi-Polarized C-Band SAR Data // Remote Sensing. 2022. Vol. 14 (4). https://doi.org/10.3390/rs14040934.
13 . Mamat R.C., Ramli A., Bawamohiddin A.B. A Comparative Analysis of Gaussian Process Regression and Support Vector Machines in Predicting Carbon Emissions from Building Construction Activities // Journal of Advanced Research in Applied Mechanics. 2025. Vol. 131 (1). P. 185-196. https://doi.org/10.37934/ aram.131.1.185196.
14 . Cross E.J., Rogers T.J., Pitchforth D.J. et al. A Spectrum of Physics-Informed Gaussian Processes for Regression in Engineering // Data-Centric Engineering. 2024. Vol. 5 (e8). https://doi.org/10.1017/dce.2024.2.
15 . An Y., Feng Y. Gaussian Process Regression Model Based on Cross-Validation Weighted Bagging Algorithm and Its Applications // Transactions on Computer Science and Intelligent Systems Research. 2024. Vol. 7. P. 490-497. https://doi.org/10.62051/4qm7n063.
16 . Lehdili N., Oswald P., Nguyen H.D. Performance-Enhancing Market Risk Calculation Through Gaussian Process Regression and Multi-Fidelity Modeling // Computation. 2025. Vol. 13 (6). https://doi.org/10. 3390/computation13060134.
17 . Noack M.M., Doerk G.S., Li R. Autonomous Materials Discovery Driven by Gaussian Process Regression with Inhomogeneous Measurement Noise and Anisotropic Kernels // Sci. Rep. 2020. Vol. 10. https://doi.org/10.1038/s41598-020-74394-1.
18 . Iong D., McAnear M., Qu Y. et al. Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting // Data Science in Science. 2024. Vol. 3 (1). https://doi.org/10.1080/26941899.2024.2383281.
19 . Kumar A., Patil S., Kovacevic A., Ponnusami S.A. Performance Prediction and Bayesian Optimization of Screw Compressors Using Gaussian Process Regression // Engineering Applications of Artificial Intelligence. 2024. Vol. 133. https://doi.org/10.1016/j.engappai. 2024.108270.
20 . B?lisle E., Huang Z., Gheribi A. Scalable Gaussian Process Regression for Prediction of Material Properties // In: Wang H., Sharaf M.A. (eds) Databases Theory and Applications. ADC 2014. Lecture Notes in Computer Science. Vol. 8506. Springer, Cham, 2014. https://doi. org/10.1007/978-3-319-08608-8_4.