Estimation of parameters for a cluster-based piecewise linear risk regression function

封面

如何引用文章

全文:

详细

Background. The article notes that cluster regression models are highly effective in studying various aspects of the analyzed objects’ functioning, including those related to risk. In particular, the following risk analysis problems are considered: country risk, software project risk, failure risk in urban pipeline networks, groundwater contamination risk, building fire risk, flood risk, and loan default risk. The objective of this work is to develop an algorithmic method for identifying the parameters of a cluster-based piecewise linear risk function. Results. A cluster-based piecewise linear risk function has been constructed for housing prices in the regions of the Siberian Federal District. Independent variables include the prices of bricks, cement, and edged boards. The model demonstrates high approximation accuracy, with an average percentage error of 0.4. Conclusions. The problem of estimating unknown parameters of a cluster-based piecewise linear risk function, with the loss function defined as the sum of absolute approximation errors, has been reduced to a linear Boolean programming problem.

作者简介

Sergey Noskov

Irkutsk State Transport University

编辑信件的主要联系方式.
Email: sergey.noskov.57@mail.ru

Doctor of engineering sciences, professor, professor of  the sub-department of information systems and information security

(15 Chernyshevskogo street, Irkutsk, Russia)

Sergey Belyaev

Irkutsk State Transport University

Email: bsv2001@list.ru

Master’s degree student

(15 Chernyshevskogo street, Irkutsk, Russia)

Aleksandra Chekalova

Irkutsk State Transport University

Email: chekalova49@gmail.com

Master’s degree student

(15 Chernyshevskogo street, Irkutsk, Russia)

参考

  1. Yim J., Mitchell H. Comparison of country risk models: hybrid neural networks, logit models, discriminant analysis and cluster techniques. Expert Systems with Applications. 2005;28(1):137–148.
  2. Wallace L., Keil M., Rai A. Understanding software project risk: a cluster analysis. Information & Management. 2004;42(1):115–125.
  3. Wang Z., Li S. Data-driven risk assessment on urban pipeline network based on a cluster model. Reliability Engineering & System Safety. 2020;196:106781.
  4. Li Y., Wang D., Liu Y., Zheng Q., Sun G. A predictive risk model of groundwater arsenic contamination in China applied to the Huai River Basin, with a focus on the region’s cluster of elevated cancer mortalities. Applied Geochemistry. 2017;77:178–183.
  5. Xin J., Huang C. Fire risk analysis of residential buildings based on scenario clusters and its application in fire risk management. Fire Safety Journal. 2013;62(A):72–78.
  6. Lagasio V., Quaranta A.G. Cluster analysis of bank business models: The connection with performance, efficiency and risk. Finance Research Letters. 2022;47(A):102640.
  7. Zhao J., Jin J., Guo Q., Liu L., Chen Y., Pan M. Dynamic risk assessment model for flood disaster on a projection pursuit cluster and its application. Stochastic Environmental Research and Risk Assessment. 2014;28:2175–2183.
  8. Xu H., Ma C., Lian J., Xu K., Chaima E. Urban flooding risk assessment based on an integrated k-means cluster algorithm and improved entropy weight method in the region of Haikou, China. Journal of Hydrology. 2018;563:975–986.
  9. Song Y., Wang Y., Ye X., Wang D., Yin Y., Wang Y. Multi-view ensemble learning based on distance-to-model and adaptive clustering for imbalanced credit risk assessment in P2P lending. Information Sciences. 2020;525:182–204.
  10. Melnyk O., Petrov I., Melenchuk T., Zaporozhets A., Bugaeva S., Rossomakha O. Maritime Systems, Transport and Logistics. Proceedings of the International Conference. Springer, 2025:89–105.
  11. Thompson J.R.J., Feng L., Reesor R.M., Grace C. Know Your Clients’ Behaviours: A Cluster Analysis of Financial Transactions. Journal of Risk and Financial Management. 2021;14(2):50.
  12. Noskov S.I. Identification of parameters of a piecewise linear risk function. Transportnaya infrastruktura Sibirskogo regiona = Transport infrastructure of the Siberian region. 2017;1:417–421. (In Russ.)
  13. Noskov S.I., Khonyakov A.A. Application of the risk function to modeling economic systems. Yuzhno-Sibirskiy nauchnyy vestnik = South Siberian Scientific Bulletin. 2020;(5):85–92. (In Russ.)
  14. Noskov S.I. Some forms of cluster piecewise linear regression. In-formatsionnye tekhnologii i matematicheskoe modelirovanie v upravlenii slozhnymi sistemami = Information technology and mathematical modeling in the management of complex systems. 2024;(4):41–44. (In Russ.)
  15. Noskov S.I. Identification of parameters of a combined piecewise linear regression model. Vestnik Yugorskogo gosudarstvennogo universiteta = Bulletin of Yugra State University. 2022;(4):115–119. (In Russ.)
  16. Noskov S.I., Belyaev S.V. Evaluation of the consistency of a cluster linear regression model. Vestnik Tekhnologicheskogo universiteta = Bulletin of the Technological University. 2025;28(2):88–91. (In Russ.)
  17. Certificate of state registration of computer programs № 2015612409. Programma resheniya zadach tselochislennogo lineynogo program-mirovaniya s bulevymi peremennymi = A program for solving integer linear programming problems with Boolean variables. D.O. Esikov, A.N. Ivutin, E.V. Larkin, A.S. Novikov; applicant FGBOU VPO «Tul'skiy gosudarstvennyy universitet». № 2014664144: appl. 30.12.2014: publ. 18.02.2015. (In Russ.)
  18. Certificate of state registration of computer programs № 2024613846. Programma resheniya zadachi tselochislennogo lineynogo programmirovaniya = A program for solving integer linear programming problems. N.A. Egorov; applicant AO «Kontsern vozdushno-kosmicheskoy oborony «Almaz – Antey». № 2024612585: appl. 09.02.2024: publ. 16.02.2024. (In Russ.)
  19. Shipitsyna R.E., Vitvitskiy E.E. Comparison of the usability of software products for solving the transport linear programming problem: LPSolve IDE and Microsoft Excel. Obrazovanie. Transport. Innovatsii. Stroitel'stvo: sb. tr. V Nats. nauch.-prakt. konf. = Education. Transport. Innovation. Construction: proceedings of the 5th National scientific and practical conference. Omsk, 2022:250–254. (In Russ.)
  20. Voloshinov V.V., Smirnov S.A. Performance evaluation of the coarse-grained branchand- bound algorithm in the EVEREST computing environment. Programmnye sistemy: teoriya i prilozheniya = Software systems: theory and applications. 2017;8(1):105–119. (In Russ.)
  21. Federal'naya sluzhba gosudarstvennoy statistiki = Federal State Statistics Service. (In Russ.) Available at: https://rosstat.gov.ru/ (accessed 03.04.2025).
  22. Edinaya mezhvedomstvennaya informatsionno-statisticheskaya sistema (EMISS) = Unified Interdepartmental Information and Statistical System. (In Russ.). Available at: https://www.fedstat.ru/ (accessed 03.04.2025).

补充文件

附件文件
动作
1. JATS XML
下载


Creative Commons License
此作品已接受知识共享署名 4.0国际许可协议的许可

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».