Томские ученые предсказывают будущее российских компаний с помощью алгоритмов машинного обучения

Ученые Томского политехнического университета, партнера Консорциума робототехники и систем интеллектуального управления, совершили прорыв в прогнозировании экономического роста российских компаний. Исследование, выполненное при поддержке гранта Российского научного фонда, продемонстрировало, что с помощью алгоритмов машинного обучения можно предсказывать вероятность восстановления роста компаний с точностью до 65-67%. Случайный выбор дает точность всего 13-17%.

В рамках исследования ученые ТПУ анализировали показатели более двух тысяч российских компаний из добывающей и обрабатывающей промышленности за период с 2013 по 2021 годы. В фокусе внимания оказались фирмы, которые столкнулись с длительной стагнацией или падением выручки. Исследователи оценивали возраст фирмы, размер основных фондов, объем продаж, количество кредитных средств, оборачиваемость и рентабельность активов.

«Точное прогнозирование того, какие фирмы восстановятся и вернутся к росту, имеет решающее значение как для инвесторов, так и для политиков, особенно в глобальной экономике, отмеченной частыми кризисами и периодической стагнацией», — отмечает доцент Бизнес-школы ТПУ Владислав Спицын.

Ученые ТПУ разделили восстановление компаний на два типа: умеренный долгосрочный рост и быстрый рост. Результаты показали, что фирмы с быстрым возобновляемым ростом после стагнации могут значительно превысить докризисный уровень выручки, становясь драйверами структурной трансформации экономики.

#МирРобототехники #КонсорциумРобототехники #Технологии #Инновации #ТПУ #ИскусственныйИнтеллект #МашинноеОбучение #Экономика #Прогнозирование

Ученые ТПУ улучшили прогнозирование процессов в нефтегазовой отрасли с помощью машинного обучения

Ученые Центра Хериот-Ватт Томского политехнического университета, партнера Консорциума робототехники и систем интеллектуального управления, применили методы машинного обучения для повышения точности прогнозирования процессов нефтедобычи и хранения углекислого газа (CO₂). В своем исследовании они продемонстрировали, как алгоритмы могут упростить процесс прогнозирования и сделать его менее трудоемким по сравнению с традиционными методами. Это особенно важно для методов закачки CO₂ в истощенные нефтяные пласты, которые используются как для увеличения объема добычи нефти, так и для снижения антропогенных выбросов в атмосферу.

Как отмечает инженер-исследователь Центра Хериот-Ватт ТПУ Шадфар Давуди, традиционные методы моделирования требуют много времени и ресурсов. Модели машинного обучения обеспечивают более глубокое понимание процессов, что позволяет повысить эффективность и оптимизировать работу.

Ученые протестировали четыре алгоритма машинного обучения и установили, что метод LSSVM (опорных векторов наименьших квадратов) демонстрирует наилучшие результаты.

Прогнозирование с его помощью оказалось гораздо точнее, чем алгоритмы MLPNN (многослойная персептронная нейронная сеть), ELM (метод экстремального обучения) и RBFNN (радиально-базисная нейронная сеть). В будущем ученые планируют валидацию модели на основе данных с реального месторождения и интеграцию различных оптимизационных алгоритмов для дальнейшего совершенствования процесса.

#МирРобототехники #КонсорциумРобототехники #Технологии #Инновации #ТПУ