سیری در آمار کلان داده ها

Journeys in big data statistics

چکیده

1- منابع طبیعی جدید

2- مطالعه موردی: داده های بزرگ حمل و نقل

3-خلاصه و چک لیست

منابع

چکیده

قلمرو داده های بزرگ، قلمروی بسیار گسترده و متنوع است. ما درباره داده های قدیمی، جدید، کوچک و بزرگ، همراه با برخی از چالش های مهم از جمله مواجهه با داده های شی گرا و بسیار سازمان یافته بحث می نماییم. هدف بسیاری از برنامه های کاربردی، تشخیص الگوها و یادگیری از روی مجموعه داده های بزرگ مربوط به داده های قدیمی است. ما برآنیم تا درباره چنین مسائلی در برخی از برنامه های شبکه حمل و نقل در محیط های غیر دانشگاهی بحث نماییم که به طور طبیعی برای موقعیت های دیگر نیز کاربردپذیر هستند. جنبه های حیاتی شامل مواجهه با لجستیک، کدنویسی و انتخاب روش آماری مناسب می گردد و ما خلاصه و چک لیستی را برای اجرای گسترده تر ارائه نمودیم.

3- خلاصه و چک لیست

ما خلاصه ای از نقطه شروع یک تحقیق معمولی را ذیلاً ارائه نمودیم: • دسترسی امن و دائمی به داده های جدید. • تعیین هدف تحقیق به عنوان مثال شناسایی تنگناهای شبکه، شناسایی بدترین مسیرهای عملکرد، بکاهش انتشار، پیش بینی زمان سفر و غیره. • تعیین رسمی قالب داده ها برای استفاده. • ایجاد ابزارهایی که اجازه جستار داده ها را به وسیله ذینفعان مختلف در یک کسب و کار برای کاوش سوالات خود فراهم نمایند. • استفاده از تکنیک های طبقه بندی برای تشخیص الگوها، و رتبه بندی مسیرهای. • استفاده از تکنیک های رگرسیون در یک شبکه جغرافیایی خوب برای مدلسازی اثر قطعات کوچکی از زیرساخت ها (به عنوان مثال امتداد خاصی از جاده، ایستگاه اتوبوس، مسیر راه آهن و یا ایستگاه) بر مسیر آتی یک وسیله نقلیه. با این حال برای استفاده در انجام پیش بینی های خوب با شناسایی متغیرهای کمکی مربوطه باید درباره داده های تاریخی تصمیماتی اتخاذ گردد. • پیاده سازی کارآمد تکنیک های آماری برای کاربرد زنده.

Abstract

The realm of big data is a very wide and varied one. We discuss old, new, small and big data, with some of the important challenges including dealing with highly-structured and object-oriented data. In many applications the objective is to discern patterns and learn from large datasets of historical data. We shall discuss such issues in some transportation network applications in non-academic settings, which are naturally applicable to other situations. Vital aspects include dealing with logistics, coding and choosing appropriate statistical methodology, and we provide a summary and checklist for wider implementation.

3- Summary and checklist

We provide a summary of the starting points for a typical investigation as follows: • Secure on-going access to new data. • Establish the purpose of an investigation, e.g. to identify network bottlenecks, to identify worst performing routes, to reduce emissions, to make travel time predictions etc. . . • Establish formally the data format to use. • Create tools to allow querying of the data by different stakeholders in a business, to probe their own questions. • Use classification techniques to discern patterns, and rankings of routes. • Try regression techniques over a fine geographical grid to model the effect of small pieces of infrastructure (e.g. a particular stretch of road, bus station, railway track or station) upon the future journey of a vehicle. Decisions, however, need to be made concerning which historical data to use to make good predictions, by identifying relevant covariates. • Implement the statistical techniques efficiently, for live usage.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 سیری در آمار کلان داده ها

Journeys in big data statistics

تحلیل ریسک و تحلیل ریسک سیستمی یکپارچه بر اساس توابع مفصل

Integrating Systemic Risk and Risk Analysis Using Copulas

خلاصه

1- مقدمه

2- استفاده از تابع مفصل برای مدلسازی ریسک سیستمی

3- استفاده از تابع مفصل برای محاسبه ریسک سیستمی

4- استفاده از توابع مفصل برای مطلع کردن مدیریت ریسک سیستمی

5.جمع بندی

منابع

چکیده

تحقیق در زمینه ریسک سیستمی در جوامع تحقیقاتی در رشته های مختلف مورد توجه قرار گرفته است اما این تحقیقات نتوانسته اند رابطه قدرتمندی با تحقیقات مربوط به تحلیل ریسک سنتی و معتبر برقرار کنند. این مسئله به این علت است که تحقیقات مربوط به ریسک سیستماتیک، بیشتر روی ارتباط بین مولفه های موجود در یک سیستم تمرکز می کنند درحالیکه در تحقیقات مربوط به تحلیل ریسک تمرکز معمولا روی ریسک مجزای مربوط به هر مولفه مستقل است. بنابراین ما در این تحقیق، این مورد را بررسی کردیم که چطور می توان تحقیقات مربوط به ریسک سیستمی کنونی را از لحاظ مفهومی و همچنین تجربی به روشهای تحلیل ریسک سنتی مرتبط کرد. ما بر مبنای نظریه اسکلار  که یک رابطه تک به تک بین توزیع چند متغیره و توابع مفصل در نظرگرفته، یک شکل جدید از مفهوم توابع مفصل را براساس دیدگاه شبکه ای پیشنهاد دادیم. این دیدگاه یک روش مطمئن را در مورد ریسک مجزای یکپارچه ( به شکل توزیع های احتمالی) و ریسک سیستمی (به شکل توابع مفصل که مولفه های مستقل موجود در چنین توزیع هایی را مشخص می کنند) در تمامی حوزه های تحقیقاتی ارائه می دهد. توابع مفصل می توانند حالت های گره ها را که مشخص کننده ریسک های مجزا هستند به طور پیوسته به صورت یک تابع تدریجی از شدت اتصال بین گره ها در حالت خودشان که مشخص کننده ریسک سیستمی هستند، مرتبط کنند. زمانیکه توابع مفصل برای توضیح چنین اتصال دقیقی بین گره ها مورد استفاده قرار می گیرد می تواند یک کمیت بسیار دقیق تر از ساختار شبکه ای سیستم ارائه دهد که به این ترتیب ارزیابی ریسک سیستمی را واقعی تر می کند و مخصوصا در هنگام بروز حوادث بسیار ناگوار (که احتمال وقوع کمتر اما اثر بسیار بیشتری دارند) که روی گره های سیستم تاثیر می گذارند؛ کاربرد بیشتری دارد. به این ترتیب، توابع مفصل می توانند در محاسبه میزان تغییرات در ریسک سیستمی مورد استفاده قرار گیرند و بنابراین کمک بزرگی برای مدیریت آنها باشند. ما در این مقاله مزایا و محدودیت های توابع مفصل را برای تحلیل ریسک یکپارچه از لحاظ مدلسازی، اندازه گیری و مدیریت مورد بررسی قرار دادیم.

1- مقدمه

ریسک سیستمی به سبب افزایش پیچیدگی جهان و همچنین افزایش داده های در دسترس توجه بسیار زیادی را در رشته های علمی – کاربردی و نظری به خود جلب کرده است.)  (Page, 2015گزارش مربوط به خطرات جهانی اخیر که توسط مجمع جهانی اقتصاد  ارائه شده، افزایش روز افزون آسیب پذیری در برابر خطرات سیستمی و درک محدود از مدیریت آن را در حال حاضر و در آینده نشان داده است. درحالیکه تحقیق روی ریسک سیستمی مسئله جدیدی نیست – به طور مثال این مسئله در حوزه زیست شناسی از سال 1970مطرح بوده است (2003 Scheffer and Carpenter,)– حوادث اخیر مخصوصا در زمینه بحرانهای مالی جهانی (08/2007)، توجه بخش عظیمی از محققان و کارورزان را تاحد بی سابقه ای به خود جلب کرده است. ( Boss et al. 2004; Thurner and Poledna 2013; Hochrainer-Stigler et al. 2018) یکی از مشخصات متمایز کننده ریسک سیستم تاکید آن روی ارتباط بین ریسکهای مجزاست و به همین علت ریسک شبکه ای نیز نامیده می شود.(Helbing, 2013) برخلاف ریسک سیستمی تمرکز ریسک مجزا روی مولفه های مستقل است.  مهمتر اینکه در صورت تحقق یافتن ریسکهای مستقل تنها بخشی از سیستم دچار مشکل می شود در حالکیه در صورت تحقق ریسک سیستمی طبق تعریف آن سیستم از کار می افتد یا حداقل یک اختلال عظیم در عملکرد کل سیستم بوجود می آید.(Kovacevic et al. 2014)

Abstract

Systemic risk research is gaining traction across diverse disciplinary research communities, but has as yet not been strongly linked to traditional, well-established risk analysis research. This is due in part to the fact that systemic risk research focuses on the connection of elements within a system, while risk analysis research focuses more on individual risk to single elements. We therefore investigate how current systemic risk research can be related to traditional risk analysis approaches from a conceptual as well as an empirical point of view. Based on Sklar’s Theorem, which provides a one-to-one relationship between multivariate distributions and copulas, we suggest a reframing of the concept of copulas based on a network perspective. This provides a promising way forward for integrating individual risk (in the form of probability distributions) and systemic risk (in the form of copulas describing the dependencies among such distributions) across research domains. Copulas can link continuous node states, characterizing individual risks, with a gradual dependency of the coupling strength between nodes on their states, characterizing systemic risk. When copulas are used for describing such refined coupling between nodes, they can provide a more accurate quantification of a system’s network structure. This enables more realistic systemic risk assessments, and is especially useful when extreme events (that occur at low probabilities, but have high impacts) affect a system’s nodes. In this way, copulas can be informative in measuring and quantifying changes in systemic risk and therefore be helpful in its management. We discuss the advantages and limitations of copulas for integrative risk analyses from the perspectives of modeling, measurement, and management.

1 Introduction

Systemic risk is gaining increasing attention in theoretical and applied science disciplines due to the growing complexity of the world and the rise in data availability (Page 2015). The recent global risk report published by the World Economic Forum (WEF 2018) highlights the growing vulnerability to systemic risks and the limited understanding of its management, today and in the future. While research on systemic risk is not new—it has been discussed in ecology, for example, since the 1970s (Scheffer and Carpenter 2003)—recent events, in particular the global financial crisis of 2007/08, have increased interest on the part of researchers and practitioners to unprecedented levels (Boss et al. 2004; Thurner and Poledna 2013; Hochrainer-Stigler et al. 2018). A distinguishing feature of systemic risk is its emphasis on the connection between individual risks; it is therefore also called network risk (Helbing 2013). Contrary to systemic risk, individual risk focuses on single elements. Importantly, while the realization of individual risks may lead to a disaster in part of the system, the realization of systemic risk, by definition, leads to a breakdown, or at least a major dysfunction, of the whole system (Kovacevic et al. 2014).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تحلیل ریسک و تحلیل ریسک سیستمی یکپارچه بر اساس توابع مفصل

Integrating Systemic Risk and Risk Analysis Using Copulas

برنامه ریزی تک ماشینی با تاثیر پیری وابسته به شغل عمومی و فعالیت های نگهداری برای به حداقل رساندن زمان اتمام کار

Single machine scheduling with general job-dependent aging effect and maintenance activities to minimize makespan

چکیده

1. پیشگفتار

2. بیان مساله

3. نتایج اصلی

4. حالت خاص

5. نتیجه‌گیری‌ها

چکیده

 این مقاله، برنامه‌ریزی تک-ماشینی با تاثیر کهنگی را در نظر می‌گیرد که در آن، زمان پردازش شغل بستگی به موقعیت آن در یک دنباله دارد. فرض می‌شود که نسبت‌های کهنگی وابسته به شغل هستند و ماشین (دستگاه) را می‌توان چندین بار در یک برنامه زمانی تعمیر و نگهداری کرد. پس از هر فعالیت تعمیر و نگهداری، دستگاه به شرایط اولیه خود بازگردانده خواهد شد. پردازش مشاغل و فعالیت‌های تعمیر و نگهداری به طور همزمان برنامه‌ریزی می‌شوند. هدف، برنامه‌ریزی مشاغل (وظایف) و فعالیت‌های تعمیر و نگهداری در جهت به حداقل رساندن زمان اتمام کار است. ما الگوریتم زمان چند جمله‌ای را برای حل مساله ارائه می‌دهیم.

1. پیشگفتار

در مسائل برنامه‌ریزی کلاسیک، فرض می‌شود که زمان‌های پردازش مشاغل، ثابت هستند. با این حال، شرایط بسیاری وجود دارند که در آن‌ها زمان‌های پردازش شغل ممکن است بستگی به موقعیت آن‌ها در دنباله داشته باشند [1]. این پدیده، تاثیر یادگیری یا تاثیر کهنگی نامیده می‌شود. در محیط یادگیری، هر چه شغل ارائه شده، دیرتر در دنباله قرار گیرد، زمان پردازش آن کوتاه‌تر است؛ در حالی که در محیط کهنگی، هر چه شغل ارائه شده دیرتر در دنباله زمانبندی قرار گیرد، زمان پردازش آن طولانی‌تر خواهد بود. 

Abstract

This paper considers single machine scheduling with an aging effect in which the processing time of a job depends on its position in a sequence. It is assumed that aging ratios are job-dependent and machine can be maintained some times in a schedule. After a maintenance activity, machine will be restored to its initial condition. The processing of jobs and the maintenance activities of machine are scheduled simultaneously. The objective is to schedule the jobs and the maintenance activities, so as to minimize the makespan. We provide a polynomial time algorithm to solve the problem.

1. Introduction

In the classical scheduling problems it is assumed that the processing times of jobs are constant. However, there are many situations where the processing times of the job may be dependent on their positions in the sequence [1]. This phenomenon is called learning effect or aging effect. In a learning environment, the later a given job is scheduled in the sequence, the shorter its processing time; while in an aging environment, the later a given job is scheduled in the sequence, the longer its processing time.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

برنامه ریزی تک ماشینی با تاثیر پیری وابسته به شغل عمومی و فعالیت های نگهداری برای به حداقل رساندن زمان اتمام کار

Single machine scheduling with general job-dependent aging effect and maintenance activities to minimize makespan

کد های MDS روی F9 مربوط به کدهای سه تایی Golay

MDS codes over F9 related to the ternaryGolaycode

چکیده

1. مقدمه

2. نتایج

منابع

چکیده

گلدبرگ یک کد MDS را روی F9 ساخت که تصویر سه تایی آن، کد سه تایی Golay [12,6,6] است. براساس کار انجام شده، در این مقاله، ما همه ی کدهای MDS مشابه روی F_9  را تحت تعدادی هم ارزی یافتیم.

مقدمه

یک کد C   [n,k] روی F_q یک بردار k  بعدی زیر مجموعه Fqn است که در آن Fq یک رشته متناهی از مرتبه q و q  یک نیروی اولیه می باشد. مولفه های C کلمات کد نامیده می شوند. وزن همینگ  wt_H (x) یک کلمه کد x ، تعداد مختصات غیر صفر در x است.

Abstract

Goldberg constructed an MDS code over F9 whose ternaryimage is the ternaryGolay[12; 6; 6] code. Motivated bythe work, in this paper, we found all such MDS codes over F9 under some equivalence.

1. Introduction

An [n; k] code C over Fq is a k-dimensional vector subspace of Fn q, where Fq is the :nite :eld of order q and q is a prime power. The elements of C are called codewords. The Hamming weight wtH(x) of a codeword x is the number of non-zero coordinates in x. The dual code C⊥ of C is de:ned as C⊥ = {x ∈ Fn q | x · y = 0 for all y ∈ C}, where x · y denotes the usual inner-product.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کد های MDS روی F9 مربوط به کدهای سه تایی Golay

MDS codes over F9 related to the ternaryGolaycode