КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер 17-71-30029

НазваниеИнтеллектуальные технологии больших данных для поддержки принятия решений в финансовой сфере на основе предсказательного моделирования

РуководительБухановский Александр Валерьевич, Доктор технических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО", г Санкт-Петербург

Период выполнения при поддержке РНФ

2021 г. - 2023 г.

Конкурс Конкурс на продление сроков выполнения проектов, поддержанных грантами Российского научного фонда по мероприятию «Проведение исследований научными лабораториями мирового уровня в рамках реализации приоритетов научно-технологического развития Российской Федерации» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными.

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах, 01-721 - Системы и технологии математического моделирования социальных и экономических процессов

Ключевые словаФинансовая система, большие данные, облачные технологии, предсказательные модели, прогнозирование, имитационное моделирование, машинное обучение, эволюционные вычисления, комплексные сети

Код ГРНТИ20.53.19

СтатусУспешно завершен

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Проект направлен на решение проблемы повышения эффективности обработки сверхбольших объемов слабоформализованных данных с целью извлечения и модельной формализации знаний для управления финансовыми процессами различных масштабов в условиях нестационарных режимов поведенческой экономики. Актуальность исследования обусловлена резким и системным изменением поведения ключевых акторов финансовой сферы – физических лиц (в ролях: клиентов банков, покупателей, налогоплательщиков и пр.), которое наблюдалось в ходе развития пандемии COVID-2019 в 2020 г. Отличительные характеристики переходных процессов поведенческой экономики (зависимость от внешних мотиваторов, недостаток ретроспективных данных для обучения моделей, отсутствие гарантий возврата в предыдущее устойчивое состояние) не позволяют эффективно использовать ранее разработанные методы многомасштабного моделирования стационарных процессов финансовой сферы. В связи с этим в проекте решается интердисциплинарная задача разработки методических и алгоритмических основ для эффективного анализа, моделирования, прогнозирования переходных процессов поведенческой экономики для поддержки принятия решений в части обеспечения финансового здоровья клиентов и финансовой устойчивости бизнесов. Эти основы используют научно-технологический задел проекта 2017-2020 гг. (Проект 2017), обобщая его на случай моделей многомасштабных финансовых систем, обладающих несколькими невозвратными устойчивыми состояниями, с переходными процессами между ними. В ходе работ по проекту будут исследованы и разработаны: 1) методы аппроксимации трендов переходных процессов между устойчивыми состояниями на основе мотивационно-психологических моделей поведенческой экономики; 2) методы идентификации структуры переходных процессов посредством использования инкрементального обучения на неэргодических ансамблях; 3) методы предсказательного моделирования и уточнения прогнозов переходных процессов за счет проактивного усвоения данных; 4) методы и технологии использования механизмов обратной связи и управления на индивидуальном уровне в помощью цифровых ассистентов. Теоретические результаты проекта будут экспериментально апробированы на уникальном массиве данных об изменении характеристик поведенческой экономики в ходе распространения пандемии COVID-19 в 2020 г. (собран в ходе Проекта 2017), а также на полунатурных экспериментах, имитирующих различные кризисные ситуации, в среде пользователей цифровых ассистентов. Совокупно новизна поставленных задач обусловлена: (а) новым (ранее не наблюдавшимся) процессом трансформации финансовой сферы, связанным с пандемией COVID-19 и инициированной ей цифровизацией, (б) наличием релевантной информационной базы, подготовленной в Проекте 2017, (в) методической новизной композиции результатов (методов и алгоритмов), направленных на описание явлений с существенной нестационарностью.

Ожидаемые результаты
Ожидаемые результаты проекта включают: 1) Семейство ценностно-ориентированных моделей поведенческой экономики и метод сценарного прогнозирования смены глобальных устойчивых состояний финансовой среды на их основе, реализованный в форме параллельного алгоритма Монте-Карло. 2) Метод стратифицированного обучения BDIAR-моделей принятия решений с учетом контекста в виде дискретных случайных параметров, соответствующих различным состояниям акторов. 3) Семейство методов инкрементального обучения моделей переходных финансовых процессов на основе методов работы с малыми выборками, неэргодических ансамблей на агентских сетях и генеративных аналитических элементов. 4) Метод предсказательного моделирования нестационарных переходных финансовых процессов с контролируемой точностью и заблаговременностью прогнозов, реализуемой за счет проактивного усвоения данных конкурирующих моделей и априорного учета предельных устойчивых состояний. 5) Семейство методов генеративного дизайна моделей, а также цифровых описаний объектов и систем финансовой сферы для задач поддержки принятия решений в быстро изменяющейся ситуации. 6) Информационная технология цифровых ассистентов (аватаров) и экспериментальный стенд на ее основе, обеспечивающий выполнение полунатурных экспериментов в области поведенческой экономики. 7) Уникальный массив данных в области финансовых процессов и поведенческой экономики за 2018-2023 г, отражающий как эволюционное развитие, так и кризисные процессы финансовой сферы (как основа для экспериментов с новыми классами моделей). Уровень запланированных результатов соответствует мировому, что косвенно обеспечивается общей актуальностью тематики, уровнем международной апробации существующего научного задела, планируемым участием в международных коллаборациях. Результаты могут быть использованы в составе программного обеспечения аналитических систем мониторинга и поддержки принятия решений по управлению финансовыми процессами интересах различных категорий стейкхолдеров (от органов власти - до страховых компаний и банков).

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Аннотация результатов, полученных в 2021 году
В 2021 г. в рамках проекта разрабатывались методы моделирования нестационарных процессов поведенческой экономики с помощью машинного обучения. Для этого использованы уникальные наборы данных о финансовой активности населения РФ, собранные в рамках проекта в 2017-2020 гг. (далее Проект-2017). Проведен аналитический обзор (>40 источников за 2010–2021 гг.) в области моделирования и прогнозирования нестационарных процессов поведенческой экономики, методов машинного обучения на нестационарных данных, а также моделирования глобальных кризисных ситуаций (включая последствия пандемии COVID-19). Разработана модель исчисления ценностей финансовых акторов, предназначенная для расчета изменений характеристик состояния агента финансовой сферы в ходе реализации им определенных действий, и основанная на модели финансового актора Проекта-2017, модифицированной с применением ценностно-ориентированного подхода. Разработан метод идентификации модели исчисления ценностей на основе комбинирования подходов разметки экспертами и самими финансовыми акторами по итогам реализации действий в финансовой среде. Разработана имитационная модель смены глобальных состояний на основе модели исчисления ценностей, которая формализует процессы взаимодействия агентов и внешней среды в ходе выбора объектов, удовлетворяющих динамические потребности агентов. Нестационарные явления моделируются посредством скачкообразных изменений условий внешней среды, в частности, доступности объектов. Разработан метод инкрементального обучения для учета «концептуального дрифта» (concept drift) финансовых акторов при протекании переходного процесса, реализованный на основе алгоритма адаптивного случайного леса. Разработан метод статического контроля точности прогнозов на основе оценки предсказуемости действий финансовых акторов с поддержкой уровней индивида/страты/популяции в разрезе удовлетворения потребностей/ценностей. Разработан метод предсказательного моделирования финансовых систем на основе микро-макро-модели Коулмана для исследования социо-экономических процессов. Метод определяет порядок запуска моделей внешней среды и агентов (модели исчисления ценностей, генерации потребностей и ресурсов, выбора объектов внешней среды, стратификации), а также порядок дообучения моделей и агрегации их результатов (с использованием метода инкрементального обучения). Разработан метод генеративного дизайна структуры финансовых объектов на основе генеративно-состязательного подхода, а также метод идентификации параметров моделей-валидаторов с применением эволюционных алгоритмов. Развернут экспериментальный стенд на основе информационной технологии цифровых ассистентов-аватаров для выполнения полунатурных экспериментов (опросов в игровой форме) в области поведенческой экономики. Результаты демонстрационных расчетов на основе финансовых данных 2020-2021 гг. по модулям и компонентам платформы показали, что в условиях переходного состояния процессов поведенческой экономики: a) метод стратифицированного обучения BDIAR моделей на основе ценностного подхода позволяет описать процессы потребительского поведения финансовых акторов с учетом их нестационарной изменчивости с ошибкой (MAE/MSE) не более 10%; б) метод имитационного моделирования глобальных состояний финансовой среды позволяет воспроизводить кризисные процессы с широким диапазоном (до 40% от амплитуды) новых стационарных состояний для заданных начальных условий и параметрических функций переходного процесса; в) метод инкрементального обучения позволяет получить на ~15% более точный (по метрике Accuracy) результат идентификации параметров финансовых акторов или их страт, чем базовые алгоритмы без дообучения с учетом нестационарности; г) алгоритмы оценки предсказуемости позволяют определить класс входного объекта для финансовых временных рядов с F1~0.8, для графовых данных с ROC-AUC>0.9 (в постановке бинарной классификации); д) алгоритмы прогнозирования переходных процессов финансовой сферы в составе адаптированного метода предсказательного моделирования позволяют получать предсказания с метриками MAPE 15-25% для задач регрессии, ROC-AUC>0.8 для задач классификации; е) метод генеративного дизайна финансовых объектов позволяет синтезировать объекты с совпадением сгенерированных и желаемых характеристик прогнозных моделей в 70%-90% случаев.

Публикации

1. Волоха В.Д., Деревицкий И.В. Offline evaluation of the recommender system initial user interview using estimation of the coverage of content characteristics Procedia Computer Science, Procedia Computer Science v.193 (2021), p.p. 102–111 (год публикации - 2021) https://doi.org/10.1016/j.procs.2021.10.011

2. Глухов Г.И., Деревицкий И.В. Points-of-Interest Recommendation Algorithms for a СOVID-19 Restrictions Scenario in the Catering Industry IEEE, (AICT), 2021, pp. 1-6 (год публикации - 2021) https://doi.org/10.1109/AICT52784.2021.9620251

3. Горнова Г.В. Культурные смыслы цикла «производство — потребление» Вестник Омского государственного педагогического университета. Гуманитарные исследования, 2021, № 4 (33), с. 20–24. (год публикации - 2021) https://doi.org/10.36809/2309-9380-2021-33-20-24

4. Егорова Е., Суриков А., Царев Д. Emotion Analysis based on Incremental Online Learning in Social Networks IEEE, 2021 IEEE 15th International Conference on Application of Information and Communication Technologies (AICT), 2021, pp. 1-6 (год публикации - 2021) https://doi.org/10.1109/AICT52784.2021.9620224

5. Кованцев А.Н., Чунаев П.В., Боченина К.О. Evaluating time series predictability via transition graph analysis IEEE Computer Society Press, - (год публикации - 2021) https://doi.org/10.1109/ICDMW53433.2021.00135

6. Котельникова А., Пащенко Д., Боченина К., Котельников Е. Lexicon-based Methods vs. BERT for Text Sentiment Analysis Lecture Notes in Computer Science, - (год публикации - 2021)

7. Кудинов С.А., Смирнов Е.В. Using a Genetic Algorithm for Planning Interesting Tourist Routes in the City on the Basis of Open Street Map Data IEEE, IEEE, 2021. – С. 264-271. (год публикации - 2021) https://doi.org/10.1109/CEC45853.2021.9504741

8. Лыткин Ю.В, Ставинова Е.А. The mathematically best way to spend your money: an algorithm for optimising the cashback profit Procedia Computer Science, Procedia Computer Science, v.193 (2021), p.p. 343–350 (год публикации - 2021) https://doi.org/10.1016/j.procs.2021.10.035

9. Лыткин Ю.В., Ал-Наим Рами Иса Review and comparison of prediction algorithms for the estimated time of arrival using geospatial transportation data Procedia Computer Science, Volume 193, p.p 13-21 (год публикации - 2021) https://doi.org/10.1016/j.procs.2021.11.003

10. Носова В.Д., Гулева В.Ю. Purchasing Patterns in Luxury Consumption: Transitional Transaction Categories Procedia Computer Science, Procedia Computer Science, v.193 (2021), p.p. 351–360 (год публикации - 2021) https://doi.org/10.1016/j.procs.2021.10.036

11. Пантелеев Е., Гороховатский Л., Царев Д., Суриков А. Methods for emotional psychotyping of cyberspace actors based on their digital footprints IEEE, 021 IEEE 15th International Conference on Application of Information and Communication Technologies (AICT), 2021, pp. 1-5 (год публикации - 2021) https://doi.org/10.1109/AICT52784.2021.9620335

12. Полевода К., Суриков А.,Царев Д. Agent-based model for estimation of collective emotions in social networks Lecture Notes in Computer Science, - (год публикации - 2021)

13. Провалов В., Ставинова Е., Чунаев П. SynEvaRec: A Framework for Evaluating Recommender Systems on Synthetic Data Classes IEEE, - (год публикации - 2021) https://doi.org/10.1109/ICDMW53433.2021.00014

14. С.А. Митягин, Г.В. Горнова, А.И. Дрожжин, А.А. Сокол Ценностно-ориентированное управление в умном городе International Journal of Open Information Technologies, vol. 9, no. 12, 2021 (год публикации - 2021)

15. Саитов И.А., Суриков А.Г., Гороховатский Л.Ю. Analysis of the Relationship between the Users Personality Traits and the Images They Post on Social Media Procedia Computer Science, Procedia Computer Science, v.193 (2021), p.p. 155–162 (год публикации - 2021) https://doi.org/10.1016/j.procs.2021.10.015

16. Сарафанов М.И., Никитин Н.О., Калюжная А.В. Automated Data-driven Approach for Gap Filling in the Time Series using Evolutionary Learning Advances in Intelligent Systems and Computing, SOCO (2021), p.p. 633-642 (год публикации - 2021) https://doi.org/10.1007/978-3-030-87869-6_60

17. Ставинова Е., Евменова Е., Антонов А., Чунаев П. Link predictability classes in complex networks Studies in Computational Intelligence, - (год публикации - 2021)

18. Тимошина А., Ставинова Е.А., Чунаев П.В. Forecasting the volume of mortgage lending with open Internet data in the period of noticeable changes in the Russian mortgage market Procedia Computer Science, Procedia Computer Science v.193 (2021), p.p. 266–275 (год публикации - 2021) https://doi.org/10.1016/j.procs.2021.10.027

19. Фильченков А., Ханжина Н., Цай А.,Сметанников И. Regularization of Autoencoders for Bank Client Profiling Based on Financial Transactions Risks, 2021, 9, 54. (год публикации - 2021) https://doi.org/10.3390/risks9030054

20. Функнер А.А.,Елховская Л.О., Ленивцева Ю.Д., и др. Geographical Topic Modelling on Spatial Social Network Data Procedia Computer Science, Procedia Computer Science. v.193 (2021), p.p. 22–31 (год публикации - 2021) https://doi.org/10.1016/j.procs.2021.10.003

21. Холыст Я. А., Гаевский Л. и др. Discovering hidden layers in quantum graphs PHYSICAL REVIEW E, Phys. Rev. E, v.104, 034311 (год публикации - 2021) https://doi.org/10.1103/PhysRevE.104.034311

22. Холыст Я. А., и др. Enhancing maximum likelihood estimation of infection source localization Springer Proceedings in Complexity, Springer, Cham, Switzerland, (2021), pp.21-41. (год публикации - 2020) https://doi.org/10.1007/978-3-030-56160-4_2

23. Холыст Я.А., Гаевский Л., и др. Impact of interactions between layers on source localization in multilayer networks Physica A: Statistical Mechanics and its Applications, Physica A: Statistical Mechanics and its Applications 582 (2021): 126238. (год публикации - 2021) https://doi.org/10.1016/j.physa.2021.126238

24. Чунаев П.В., Боченина К.О.,Градов Т.А. The machinery of the weight-based fusion model for community detection in node-attributed social networks Social Network Analysis and Mining, Social Network Analysis and Mining,11, 109 (2021). (год публикации - 2021) https://doi.org/10.1007/s13278-021-00811-6

25. Чунаев П.В., Ставинова Е.А., Боченина К.О. Predictability Classes for Forecasting Clients Behavior by Transactional Data Lecture Notes in Computer Science, ICCS 2021, LNCS 12744, pp. 187–199. (год публикации - 2021) https://doi.org/10.1007/978-3-030-77967-2_16

26. Щепина Е., Егорова Е., Федотов П., Суриков А. Multimodal space of users’ interests and preferences in social networks Lecture Notes in Computer Science, - (год публикации - 2021)

Аннотация результатов, полученных в 2022 году
Целью проекта является создание методов, моделей и алгоритмов, обеспечивающих сохранение точности и иных характеристик качества прогностических моделей поведенческой экономики, обученных на стационарных данных, при наступлении нестационарных (кризисных) ситуаций, обусловленных изменением внешних условий (включая пандемию, геополитику и санкции, и пр.). В 2022 г. в рамках проекта развивался и детализировался задел 2021 г. для трех взаимосвязанных направлений: (1) методы моделирования поведения финансовых акторов (физических лиц) в условиях резкого изменения внешней среды; (2) методы и модели прогнозирования нестационарных социально-экономических процессов с помощью машинного обучения, использующие знания о поведении финансовых акторов; (3) прикладные задачи, связанные с оптимизацией рабочих процессов индустриального партнера проекта (ПАО «Банк «Санкт-Петербург») в условиях резких изменений экономического поведения клиентов. Разработан метод моделирования адаптации финансовых акторов при изменении свойств внешней среды на основе ценностно-ориентированных моделей поведенческой экономики. Предложена макромасштабная модель смены глобальных устойчивых состояний финансовой среды при различных прогнозных сценариях на основе ценностно-ориентированных моделей. Осуществлено развитие метода инкрементального обучения для идентификации моделей переходных финансовых процессов на основе ансамблевых подходов в сетях акторов. Разработан метод проактивного усвоения данных на основе конкурирующих неинтерпретируемых моделей и проведено определение пределов его эффективности. Разработан динамический метод контроля точности и заблаговременности прогнозов переходных финансовых процессов на основе управляемого усвоения данных. Разработаны алгоритмы генеративного дизайна для синтеза финансовых продуктов и предложений на основе общего метода генеративного дизайна структуры финансовых объектов. Осуществлена программная реализация разработанных методов и алгоритмов, а также их имплементация в цифровую платформу проекта, обеспечивающую хранение данных и организацию вычислений на высокопроизводительных ресурсах. Для экспериментальных исследований и оценки качества разработанных решений определен набор демонстрационных задач моделирования и генеративного дизайна переходных финансовых процессов, включающий прогнозирование потребительской активности финансовых акторов по транзакционным данным банковских карт, продаж новых кредитов и кредитного портфеля юридических лиц на разных сроках/срезах, а также нагрузки по обслуживанию физических и юридических лиц в условиях переходных состояний финансовой среды. Кроме того, подготовлены массивы данных о поведении финансовых акторов в 2020–2022 г., в том числе, в условиях переходных состояний финансовой среды, обусловленных пандемией COVID-19 и международными санкциями. Для исследования чувствительности разработанных методов и моделей к специфике переходных финансовых процессов, были проведены эксперименты на полусинтетических данных, которые описывают различные сценарии потребительского поведения в виде массивов транзакционных данных, состав которых управляется интенсивностью и тематикой новостей в СМИ. В ходе экспериментов показана возможность увеличения метрики ROC-AUC до 15%, а снижение ошибки прогнозов MAPE – до 2.5 раз по сравнению с базовыми моделями поведенческой экономики, разработанными в первой части данного проекта (2017-2020). При этом эффект сохранения качества прогнозов потребительского поведения остается значимым для разных форм протекания переходных финансовых процессов (реальные данные 2020 и 2022 г. + синтетические данные - вариации 2022 г.).

Публикации

1. Алейников С.А., Гофман О.О., Басов О.О. Методика организации и проведения исследования по оценке потребительской способности Научно-технический вестник информационных технологий, механики и оптики, - (год публикации - 2023)

2. Антонов А.А., Ставинова Е.А., Евменова Е.О., Чунаев П.В. Link predictability classes in large node-attributed networks Social Network Analysis and Mining, 2022. – Т. 12. – №. 1. – С. 1-17. (год публикации - 2022) https://doi.org/10.1007/s13278-022-00912-w

3. Безбочина А.А., Ставинова Е.А., Кованцев А.Н., Чунаев П.В. Dynamic classification of bank clients by the predictability of their transactional behavior Lecture Notes in Computer Science, 2022. – С. 502-515 (год публикации - 2022) https://doi.org/10.1007/978-3-031-08751-6_36

4. Волоха В.Д., Боченина К.О. Content-aware generative model for multi-item outfit recommendation Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2022. – №. 8016. (год публикации - 2022) https://doi.org/10.1007/978-3-031-08751-6_12

5. Гаевски Л.Г., Палуч Р., Сучецки К., Суик А.,Сзымански Б.Л., Холыст Я.А. Comparison of observer based methods for source localisation in complex networks Scientific reports, 2022. – Т. 12. – №. 1. – С. 1-11. (год публикации - 2022) https://doi.org/10.1038/s41598-022-09031-0

6. Гайевски Л.Г., Сиенкиевицз Й., Холыст Я.А. Transitions between polarization and radicalization in a temporal bilayer echo-chamber model Physical Review E, 2022. – Т. 105. – №. 2. – С. 024125. (год публикации - 2022) https://doi.org/10.1103/PhysRevE.105.024125

7. Горнова Г.В. Концептуальные схемы трактовки ценностного выбора Вестник Омского государственного педагогического университета. Гуманитарные исследования, 2022. – №. 3 (36). – С. 19-24. (год публикации - 2022) https://doi.org/10.36809/2309-9380-2022-36-19-24

8. Гулева В.Ю., Кованцев А.Н., Суриков А.Г., Чунаев П.В., Горнова Г.В., Бухановский А.В. Ценностно-ориентированное моделирование принятия экономических решений в условиях нестационарности внешней среды Научно-технический вестник информационных технологий, механики и оптики, - (год публикации - 2023)

9. Гуров А.В., Евменова Е.О., Чунаев П.В. Supervised community detection in multiplex networks based on layers convex flattening and modularity optimization Procedia Computer Science, Volume 212, 2022, Pages 181-190 (год публикации - 2022) https://doi.org/10.1016/j.procs.2022.11.002

10. Егорова Е.Е., Глухов Г.И., Шиков Е.Н. Customer transactional behaviour analysis through embedding interpretation Procedia Computer Science, 2022. – Т. 212. – С. 284-294 (год публикации - 2022) https://doi.org/10.1016/j.procs.2022.11.012

11. Кованцев А.Н. Вероятностный критерий оценки предсказуемости временных рядов Научно-технический вестник информационных технологий, механики и оптики, 2023. – Т. 23. – №. 1. – С. 105-111. (год публикации - 2023) https://doi.org/10.17586/2226-1494-2023-23-1-105-111

12. Кондаков М.В., Гулева В.Ю. Dynamics of Multiagent Reinforcement Learning Compared to Synchronisation Dynamics of Kuramoto Oscillators Procedia Computer Science, Volume 212, 2022, Pages 1-10 (год публикации - 2022) https://doi.org/10.1016/j.procs.2022.10.202

13. Лыткин Ю.В., Чунаев П.В., Градов Т.А., Бойцов А.А., Саитов И.А. Выявление ролей в сетях общественного транспорта, привязанных к узлам: исследование открытых данных Санкт-Петербурга Научно-технический вестник информационных технологий, механики и оптики, Т. 23, № 3. С. 553–563 (год публикации - 2023) https://doi.org/10.17586/2226-1494-2023-23-3-553-563

14. Лыткин Ю.В., Чунаев П.В., Градов Т.А., Бойцов А.А., Саитов И.А. Выявление ролей в сетях общественного транспорта, привязанных к узлам: Описание модели Научно-технический вестник информационных технологий, механики и оптики, 2023. Т. 23, № 2. С. 340–351 (год публикации - 2023) https://doi.org/10.17586/2226-1494-2023-23-2-340-351

15. Прусский Д.А., Кованцев А.Н., Чунаев П.В. Dynamic transition graph for estimating the predictability of financial and economical processes Studies in Computational Intelligence, - (год публикации - 2023)

16. Ставинова Е.А., Гуров А.В., Лысенко А.В., Чунаев П.В. Performance Ranking of Recommender Systems on Simulated Data Procedia Computer Science, Volume 212, 2022, Pages 142-151 (год публикации - 2022) https://doi.org/10.1016/j.procs.2022.10.216

17. Сучецки К., Холыст Я.А. Hierarchy Depth in Directed Networks Entropy, 2022. – Т. 24. – №. 2. – С. 252. (год публикации - 2022) https://doi.org/10.3390/e24020252

18. Тарасова Е.Ю., Боченина К.О. A conceptual framework for personality-sensitive scheduling models 2022 8th International Conference on Optimization and Applications (ICOA), 2022. – С. 1-4. (год публикации - 2022) https://doi.org/10.1109/ICOA55659.2022.9934181

19. Тарасова Е.Ю., Григорьеа Н. Accounting for large jobs for a single-processor online model 2022 8th International Conference on Optimization and Applications (ICOA), 2022, pp. 1-5 (год публикации - 2022) https://doi.org/10.1109/ICOA55659.2022.9934593

20. Усольцев С.В., Деревицкий И.В. Hybrid Modeling for Predicting Inpatient Treatment Outcome: COVID-19 Case International Conference on Computational Science, 2022. – С. 106-112. (год публикации - 2022) https://doi.org/10.1007/978-3-031-08757-8_10

21. Хлюпина Ю.М., Кузнецов Д.С., Лаптев А.А. Информационная модель продолжительности покупки товаров первой необходимости Научно-технический вестник информационных технологий, механики и оптики, 2023. Т. 23, № 2. С. 323–330 (год публикации - 2023) https://doi.org/10.17586/2226-1494-2023-23-2-323-330

22. Шумковский П.А., Кованцев А.Н., Ставинова Е.А., Чунаев П.В. MetaSieve: Performance vs. Complexity Sieve for Time Series Forecasting Proceedings - IEEE International Conference on Data Mining, ICDM, - (год публикации - 2023)

23. Щепина Е., Суриков А.Г. Modeling the trajectories of interests and preferences of users of digital social systems based on iterative learning Procedia Computer Science, Volume 212, 2022, Pages 104-113 (год публикации - 2022) https://doi.org/10.1016/j.procs.2022.10.212

Аннотация результатов, полученных в 2023 году
Целью проекта является создание методов, моделей и алгоритмов, обеспечивающих сохранение точности и иных характеристик качества прогностических моделей поведенческой экономики, обученных на стационарных данных, при наступлении нестационарных (кризисных) ситуаций, обусловленных изменением внешних условий (включая пандемию, геополитику и санкции, и пр.). В 2023 г. в рамках проекта развивался и детализировался задел 2022 г. для четырех взаимосвязанных направлений: (1) методы моделирования поведения финансовых акторов (физических лиц) в условиях резкого изменения внешней среды; (2) методы и модели прогнозирования нестационарных социально-экономических процессов с помощью машинного обучения, использующие знания о поведении финансовых акторов; (3) создание синтетических сценариев кризисных ситуаций и действующих в них акторов, в т.ч. для тестирования различных моделей на данных, (4) прикладные задачи, связанные с оптимизацией рабочих процессов индустриального партнера проекта (ПАО «Банк «Санкт-Петербург») в условиях резких изменений потребительского поведения клиентов. Разработана детальная феноменологическая модель переходных финансовых процессов в пространстве базовых ценностей. Развит метод многомасштабного моделирования и прогноза потребительской активности на основе транзакционных данных, объединяющий ценностно-ориентированную модель потребительского поведения и модель динамики переходного финансового процесса на макроуровне. Предложен метод инкрементального обучения моделей переходных финансовых процессов, использующий априорные знания о ценностях и намерениях отдельных акторов в форме динамических метрик предсказуемости. Разработано семейство методов и алгоритмов создания синтетических клиентов и синтетических сценариев потребительского поведения в кризис для обучения и тестирования рекомендательных систем. Разработан метод генеративного дизайна для синтеза планов и расписаний дискретных финансовых процессов на основе результатов предсказательного моделирования в форме генеративно-состязательной сети с модификациями в виде добавления супервизора и второго дискриминатора для стабилизации обучения модели. Предложен метод федеративного обучения для прогностических моделей переходных финансовых процессов, реализующий оптимальный ансамбль моделей на распределенных данных разных провайдеров, и обеспечивающий оперативное применение решений проекта в закрытых контурах финансовых организаций. Для экспериментальных исследований и оценки качества разработанных решений определен набор демонстрационных задач моделирования и генеративного дизайна переходных финансовых процессов, включающий прогнозирование потребительской активности финансовых акторов. Проведенные вычислительные эксперименты по данным кризисных ситуаций 2020 и 2022 г. в РФ, характеризуемых резким изменением потребительского поведения, продемонстрировали значимое повышение точности прогнозов, сопоставимых теперь по качеству с прогнозами в стационарных условиях, что подтверждает достижение цели проекта в целом.

Публикации

1. Антонов А., Концевик Г.И., Натыкин М.В., Митягин С.А. Feedback2Event: Public attention event extraction from spontaneous data for urban management Procedia Computer Science, - (год публикации - 2023)

2. Безбочина А., Ставинова Е.А., Кованцев А.Н., Чунаев П.В. Enhancing Predictability Assessment: An Overview and Analysis of Predictability Measures for Time Series and Network Links Entropy, 2023. – Т. 25. – №. 11. – С. 1542 (год публикации - 2023) https://doi.org/10.3390/e25111542

3. Глухов Г.И., Деревицкий И.В., Северюхина О.А., Боченина К.О. Dynamic Recommendation Algorithms for a СOVID-19 Restrictions Scenario in the Restaurant Industry Journal of Hospitality and Tourism Technology, 2023 (год публикации - 2023) https://doi.org/10.1108/JHTT-09-2021-0278

4. Глухов Г.И., Жданов П.С., Шиков Е.Н. Interpretable Embeddings for Geographic Transactional Activity Analysis Procedia Computer Science, - (год публикации - 2023)

5. Дрожжин А.И., Лавров И.О., Локтев Е.М., Митягин С.А. The method of contextual selection of the functions of cultural heritage objects based on the urban environment network model Communications in Computer and Information Science, - (год публикации - 2023)

6. Захаров К.А., Ставинова Е.А. Time-dependent differential privacy for enhanced data protection in synthetic transaction generation International Conference Proceedings Series, - (год публикации - 2024)

7. Захаров К.А., Ставинова Е.А., Бухановский А.В. Synthetic financial time series generation with regime clustering Journal of Advances in Information Technology, - (год публикации - 2023)

8. Захаров К.А., Ставинова Е.А., Лысенко А.В. TRGAN: A Time-Dependent Generative Adversarial Network for Synthetic Transactional Data Generation ICSEB '23: Proceedings of the 2023 7th International Conference on Software and e-Business, - (год публикации - 2024)

9. Катынсус А.В., Шаповаленко Е.А., Павлова А.А., Арсеньева И.Д., Митягин С.А. Methods of Allocation of Urban Centers Communications in Computer and Information Science, - (год публикации - 2023)

10. Кованцев А.Н. Consumer behaviour timewise dependencies investigation by means of transition graph Studies in Computational Intelligence, - (год публикации - 2023)

11. Концевик Г.И., Захаренко Н.Н., Буденный С.А., Митягин С.А. Estimating the attractiveness of the city for skilled workers using jobs-housing matching, spatial data and NLP techniques Procedia Computer Science, - (год публикации - 2023)

12. Концевик Г.И., Лавров И.О., Морозов А.С., Харлов Л.И., Митягин С.А. Assessment of Spatial Inequality in Agglomeration Planning Lecture Notes in Computer Science, 2023. – С. 256-269. (год публикации - 2023) https://doi.org/10.1007/978-3-031-36808-0_17

13. Концевик Г.И., Чурякова Т.А., Марковский В.А., Антонов А., Митягин С.А. Urban blocks modelling method Procedia Computer Science, - (год публикации - 2023)

14. Кошкарева М.П.,Кованцев А.Н. Crisis Behaviour Strategy Recognition Using Transactional Data Procedia Computer Science, - (год публикации - 2023)

15. Кошкарева М.П.,Кованцев А.Н. Enhancement of Consumption Forecasting by Customers’ Behavioral Predictability Segregation Engineering Proceedings, 2023. – Т. 39. – №. 1. – С. 61. (год публикации - 2023) https://doi.org/10.3390/engproc2023039061

16. Мишина М.Э., Соболевский С., Ковтун Е., Хрульков А.А., Белый А., Буденный С.А., Митягин С.А. Prediction of Urban Population-Facilities Interactions with Graph Neural Network Lecture Notes in Computer Science, 2023. – С. 334-348. (год публикации - 2023) https://doi.org/10.1007/978-3-031-36805-9_23

17. Морозов А.С., Концевик Г.И., Шмелева И.А., Шнайдер Л., Захаренко Н., Буденный С.А., Митягин С.А. Assessing the transport connectivity of urban territories, based on intermodal transport accessibility Frontiers in Built Environment, 2023. – Т. 9. – С. 1148708. (год публикации - 2023) https://doi.org/10.3389/fbuil.2023.1148708

18. Морозов А.С., Шмелева И.А., Захаренко Н., Буденный С.А., Митягин С.А. Assessment of spatial inequality through the accessibility of urban services Lecture Notes in Computer Science, 2023. – С. 270-286. (год публикации - 2023) https://doi.org/10.1007/978-3-031-36808-0_18

19. Низомутдинов Б.А., Углова А.Б., Антонов А.С. Value-Oriented Management of City Development Programs Based on Data from Social Networks Lecture Notes in Computer Science, 2023. – С. 369-382 (год публикации - 2023) https://doi.org/10.1007/978-3-031-36808-0_24

20. Такенова К., Гулева В.Ю. Determination of Optimal Locations for ATM Network Service Points Procedia Computer Science, - (год публикации - 2023)

21. Тарасова Е.Ю. Micro level data aggregation based on profiling and Jaro-Winkler distance maximization IEEE Xplore, 2023 (год публикации - 2023) https://doi.org/10.1109/ICOA58279.2023.10308813

22. Тарасова Е.Ю. The concept of optimizing the operation of a multimodel real-time federated learning system Lecture Notes in Networks and Systems, - (год публикации - 2023)

23. Тарасова Е.Ю. Optimization of the electronic queuing system based on the LJSF online scheduling algorithm IEEE Xplore, 2023. – С. 1733-1736 (год публикации - 2023) https://doi.org/10.1109/codit58514.2023.10284182

24. Тарасова Е.Ю., Иванов Д.В. Call centre optimization based on personalized requests distribution Communications in Computer and Information Science, - (год публикации - 2023)

25. Чумаков С.В., Кованцев А.Н., Суриков А.Г. Generative approach to Aspect Based Sentiment Analysis with GPT Language Models Procedia Computer Science, - (год публикации - 2023)

26. Чурякова Т.А., Стариков В.А., Судакова В.В., Морозов А.С., Митягин С.А. Digital master plan as a tool for generating territory development requirements Communications in Computer and Information Science, - (год публикации - 2023)

27. Ставинова Е.А., Захаров К.А. Программная библиотека условной генерации синтетических транзакционных данных -, № 2023662683 от 09.06.2023 (год публикации - )

Возможность практического использования результатов
Результаты проекта могут рассматриваться как основа вертикальной отраслевой модели ИИ для банковской сферы, поскольку они определяют базовые модели, дающие возможность создавать широкий набор прикладных систем ИИ для частных задач банковской сферы и ритейла (от предсказания вероятных покупок по категориям – до настройки рекомендательных систем и генерации индивидуальных финансовых продуктов, что также продемонстрировано в ходе проекта). В настоящее время такие вертикальные модели даже в ведущих «цифровых» банках РФ отсутствуют. Результаты проектов декабре 2023 г. были представлены на демо-днях в ПАО «Сбербанк» и АО «Альфа-банк», и получили высокую оценку в части их практической применимости.