Прогнозування поведінки якості інформації
This paper considers information quality dimensions (Data Quality metrics). The approach and information technology to estimation and forecasting the data quality metric, which describes the accuracy of the information is proposed. A brief analysis of prior research on various approaches to defining...
Gespeichert in:
| Datum: | 2014 |
|---|---|
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2014
|
| Online Zugang: | https://journal.iasa.kpi.ua/article/view/32563 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System research and information technologies |
| Завантажити файл: |  |
Institution
System research and information technologies| _version_ | 1867334219732090880 |
|---|---|
| author | Konovaliuk, M. M. |
| author_facet | Konovaliuk, M. M. |
| author_institution_txt_mv | [
{
"author": "M. M. Konovaliuk",
"institution": null
}
] |
| author_sort | Konovaliuk, M. M. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2014-12-22T16:35:13Z |
| description | This paper considers information quality dimensions (Data Quality metrics). The approach and information technology to estimation and forecasting the data quality metric, which describes the accuracy of the information is proposed. A brief analysis of prior research on various approaches to defining metrics of Data Quality is presented. Nonlinearity of the data quality metric of accuracy makes it possible to forecast its future behavior using a stochastic volatility model (MSV), in which the Gibbs algorithm is used for parameter estimation. It is suggested to apply the information technology developed for forecasting the volatility of the exchange rate to forecast the future behavior of the uncertainty measure of the information accuracy. Forecasting of the accuracy measure of information has a key influence on the decision-making process. |
| first_indexed | 2025-07-17T10:17:54Z |
| format | Article |
| fulltext |
М.М. Коновалюк, 2014
64 ISSN 1681–6048 System Research & Information Technologies, 2014, № 3
УДК 519.766.4
ПРОГНОЗУВАННЯ ПОВЕДІНКИ ЯКОСТІ ІНФОРМАЦІЇ
М.М. КОНОВАЛЮК
Розглянуто показники якості інформації (метрики Data Quality). Запропонова-
но підхід та інформаційна технологія до оцінювання та прогнозування показ-
ника якості, що описує достовірність інформації. Проведено короткий аналіз
робіт, що присвячені різним підходам до визначення метрик Data Quality. Не-
лінійний характер показника достовірності інформації дає можливість прогно-
зувати його майбутню поведінку із застосуванням моделі стохастичної вола-
тильності (МСВ), в якій для оцінювання параметрів застосовано програмно
реалізований алгоритм Гіббса. Запропоновано розроблену для прогнозування
волатильності валютного курсу інформаційну технологію застосувати для про-
гнозування майбутньої поведінки міри невизначеності показника достовірнос-
ті інформації. Прогнозування показника достовірності інформації має ключо-
вий вплив на процес прийняття рішень.
ВСТУП
Теорія якості інформації (Data Quality) формується на основі різних дисцип-
лін та різних підходів. Актуальність напряму пов’язана з появою
комп’ютерів, сховищ даних з великими об’ємами інформації та з необхідні-
стю обробки цього масиву інформації. Вивчення непрямо пов’язаних аспек-
тів Data Quality тривало багато років у різних дисциплінах, серед яких: тео-
рія інформації, семіотика, теорія прийняття рішень, теорія оптимального
керування та ін. В окрему дисципліну Data Quality сформувалось у середині
1990-х років. Суттєвий вклад у формування Data Quality в окрему дисциплі-
ну зробили такі дослідники, як Ванг Р., Лі Ю., Балоу Д. та інші, отримавши
значні теоретичні та практичні результати [1, 2].
Зусилля дослідників були зосередженні на формуванні основних по-
нять та означень Data Quality. Проте досі немає єдиної загальноприйнятної
системи означень метрик Data Quality.
Мета роботи — застосування інформаційної технології, розробленої
для прогнозування волатильності валютного курсу, для прогнозування май-
бутньої поведінки міри невизначеності показника достовірності інформації,
важливого при прийнятті рішень.
ОГЛЯД РОБІТ
Метрики Data Quality
Data Quality є одним із найменш досліджених напрямів серед дисциплін,
пов’язаних з інформацією. Основним питанням є визначення метрик Data
Quality. Порівняння деяких підходів до визначень метрик Data Quality, які
і зараз є актуальними, проведено в роботах [3] та [4]. Розглянемо підходи,
описані в [3]:
Ванд Ю., Ванг Р. [7]. Метрики Data Quality визначаються на основі
функцій, що мають своє відображення в інформаційній системі. Запропоно-
вано 5 метрик: повнота, точність, своєчасність, несуперечливість, надій-
Прогнозування поведінки якості інформації
Системні дослідження та інформаційні технології, 2014, № 3 65
ність. Метрика неточності інформації визначається як представлення стану
реального світу відмінним від того, яким його слід було б відобразити. Мет-
рика повноти визначається як втрати під час відображення станів реального
світу у стани інформаційної системи.
Ванг Р., Стронг Д. Цими вченими метрики Data Quality сформовано
на основі емпіричного підходу. Автори виділили 15 різних метрик із 179
розглянутих.
Редман T. Ним метрики Data Quality згруповано у три групи: група
концептуального виду інформації, що складається з 5-и метрик; група роз-
міру інформації з 4-х метрик; група формату інформації з 8-и метрик.
Жарке М. запропонував специфічні метрики Data Quality, які класи-
фікуються відповідно до ролі користувачів у середовищі бази даних, а саме:
6 метрик для якості проектування та адміністрування; 6 метрик для якості
програмного забезпечення; 5 метрик для якості використання інформації та
5 метрик для якості зберігання інформації.
Автори: Бовее М., Срівастава М. та Мак Б., пропонують 4 метрики,
а саме: відкритість для доступу (accessibility); можливість інтерпретувати
(interpretability); доцільність (relevance); вірогідність (credibility).
Науманном Ф. було розглянуто 21-у метрику, які згруповано з точки
зору інтегрованих Web-інформаційних систем у 4 групи: має відношення до
змісту; технічна; інтелектуальна; має відношення до створення екземплярів.
Порівняння метрик DataQuality
Порівняльну таблицю згаданих вище метрик Data Quality наведено в [3].
В табиці введено такі позначення: (–) — в роботах різних авторів викорис-
товується та сама назва для метрик з різними значеннями; (+/–) — різні про-
позиції використовують ту саму назву для метрик зі схожими значеннями;
(+) — ті самі назви й ті самі значення для характеристик у пропозиціях різ-
них авторів.
Т а б л и ц я . Відповідність між означеннями метрик якості інформації
з однаковими назвами
Автор
Показник
якості інформації
Ванд,
Ванг
(1996)
Ванг,
Стронг
(1996)
Редман
(1996)
Джарке
(1999)
Бовее
(2001)
Науманн
(2002)
Точність + + + + + +
Повнота + – + +/– + +
Несуперечність + +/– + +
Репрезентаційна
несуперечність
+ + +
Своєчасність + + + + +
Вжиток + + + +
Змінність + + +
Можливість
інтерпретувати
+ +/– +/– + +
Можливість зрозуміти + +
Достовірність – –
Вірогідність – –
Правдоподібність + +
М.М. Коновалюк
ISSN 1681–6048 System Research & Information Technologies, 2014, № 3 66
Продовження таблиці
Репутація + +
Об’єктивність + +
Доцільність + + +/– +
Відкритість для доступу + + +
Безпека/
Безпечний доступ + + +
Величина доповнень + +
Лаконічність
репрезентації + +
Обсяг інформації – – –
Доступність + +
Портативність – –
Чутливість + +
Метрики, визначені у всіх пропозиціях — це точність та повнота. Мет-
рики, що мають відношення до несуперечності та до часу, беруться до уваги
у більшості пропозицій. Також більшістю пропозицій розглядається можли-
вість інтерпретувати. Кожна з інших метрик включається меншістю пропо-
зицій. В деяких випадках існує повна неузгодженість у визначенні специфі-
чних метрик, таких як достовірність.
Подібність між різними назвами метрик із схожими )/( або однако-
вими значеннями (+) представлено на рисунку.
Автор
Характеристика
Ванг, Стронг
(1996)
Бовее
(2001)
Науманн
(2002)
Можливість інтерпретувати + + +
Автор
Характеристика
Редман
(1996)
Зрозумілість +/–
Автор
Характеристика
Ванг, Стронг
(1996)
Джарке
(1999)
Бовее
(2001)
Відкритість для доступу + + +
Автор
Характеристика
Редман
(1996)
Можливість отримати інформацію +
Автор
Характеристика
Джарке
(1999)
Коректність +
Автор
Характеристика
Редман
(1996)
Зрозумілість +
Автор
Характеристика
Джарке
(1999)
Мінімальність +
Автор
Характеристика
Редман
(1996)
Мінімум надлишку +
Рисунок. Відповідність між метриками інформації з різними назвами
Прогнозування поведінки якості інформації
Системні дослідження та інформаційні технології, 2014, № 3 67
Виходячи з більшості пропозицій стосовно метрик, Data Quality базу-
ється на таких метриках, як: точність, повнота, несуперечність, своєчас-
ність, можливість інтерпретувати та відкритість для доступу. Найбіль-
ше уваги приділено повноті, достовірності та своєчасності інформації. Всі
інші запропоновані метрики або мають другорядні властивості, або є більш
залежними від контексту (тобто дуже специфічні).
Застосування метрик повноти, достовірності та своєчасності інформації
на основі нечітких множин розглядається в роботі [5]. Продемонстровано
застосування показників Data Quality з точки зору прийняття рішень. Наве-
дено механізм визначення допустимого періоду часу на прийняття рішення
та класифікацію ситуацій за умов нечітких множин. Демонструється зрос-
тання у часі метрики достовірності. За реальних обставин інформація, що
надходить, може бути недостовірною, тобто значення метрики достовірності
у часі може зменшуватись. Отже, метрика достовірності має невизначений
характер (може зростати або спадати) та потребує детального дослідження.
ПРОГНОЗУВАННЯ МЕТРИКИ ДОСТОВІРНОСТІ ІНФОРМАЦІЇ
Серед розмаїття метрик виділимо 3 основних, поведінка яких залежить від
часу — це метрики повноти, достовірності та своєчасності інформації.
З моменту отримання перших відомостей величина показника повноти
зростає. Його поведінка може мати нерівномірний характер, але загальна
тенденція не змінюється [6].
Величина показника своєчасності з часом зменшується. Так само як
і зміна показника повноти, спадання величини показника своєчасності може
мати нерівномірний характер.
Величина показника достовірності інформації з плином часу може ви-
падковим чином збільшуватися або зменшуватися, оскільки інформація, що
надходить, може бути як достовірною, так і недостовірною. Проаналізуємо
поведінку показника достовірності, оскільки саме він може мати остаточний
вплив у процесі прийняття рішення.
Поведінка показника достовірності має невизначений, тобто випадко-
вий характер, і може бути представлена моделлю, яка описує змінну во-
латильність показника достовірності. Мірою невизначеності є дисперсія,
поведінку якої описують різноманітні авторегресійні моделі. Серед великої
кількості авторегресійних моделей виділимо нелінійні моделі, а саме, мо-
дель стохастичної волатильності (МСВ), яка здобула популярність завдяки
високій адекватності опису умовної дисперсії досліджуваних процесів.
МСВ описує процес, що має нелінійний нестаціонарний характер, який
і має показник достовірності. Оцінка параметрів МСВ показника достовір-
ності дозволить прогнозувати його майбутню поведінку, а саме дисперсію
показника достовірності інформації. Прогнозування не дає відповіді щодо
напряму зміни показника достовірності, але дає відповідь про його майбут-
ню стаціонарність, що може вплинути на процес прийняття рішення.
ПОБУДОВА МОДЕЛІ
Розглянемо поведінку показника достовірності інформації на прикладі ва-
лютного курсу. Позначимо tP та 1tP величину курсу валют в момент часу
М.М. Коновалюк
ISSN 1681–6048 System Research & Information Technologies, 2014, № 3 68
t та 1t відповідно, а значення *
tP та *
1tP — очікувані значення валютно-
го курсу в момент часу t та 1t відповідно. Нехай N — загальна кількість
вимірювань за період часу ,T in — кількість вимірювань за певний період
часу it , *
in — кількість вимірювань точних значень, що співпадає з прогно-
зованими )( *
tt PP за період часу ,it
k
i
k
i
ii tTnN
1 1
, . Величиною по-
казника достовірності за період часу it є відношення
i
i
t n
n
I
i
*
,accuracy . Набо-
ри вибірок величини показника достовірності
it
I ,accuracy утворюють вибірку
на множині значень ,N а саме .,,, ,accuracy,accuracy,accuracy 21 kttt III Іншими
словами, формується числовий ряд.
У процесі зростання величини показника достовірності інформації, від-
ношення ,1
,accuracy
1,accuracy
t
t
I
I
а при зменшенні — .1
,accuracy
1,accuracy
t
t
I
I
Показник до-
стовірності залишається незмінним при .1
,accuracy
1,accuracy
t
t
I
I
Відповідно лога-
рифми показників достовірності інформації ,0ln
,accuracy
1,accuracy
t
t
I
I
0ln
,accuracy
1,accuracy
t
t
I
I
та .0ln
,accuracy
1,accuracy
t
t
I
I
Позначимо .ln
,accuracy
1,accuracy
t
t
t I
I
y
Може мати місце значна зміна показника достовірності інформації.
Суттєва поступова зміна величини ,ty на відміну від суттєвої точкової змі-
ни у момент ,t майже не впливає на остаточний результат. Тому доцільно
зменшити вплив точкових збурень, які сильно впливають на точність ре-
зультатів моделювання. З цією метою усереднимо значення :ty
,ln
1
ln
1 ,accuracy
1,accuracy
,accuracy
1,accuracy
N
i i
i
t
t
t I
I
NI
I
y
де N — обсяг вибірки.
Поведінку часового ряду ty можна представити наступною математич-
ною моделлю:
,ttt uy ,)1,0(tu
де — середнє значення, t — середньоквадратичне відхилення, тобто
корінь з дисперсії, tu — нормально розподілена випадкова величина. Середнє
значення ty дорівнює 0, тобто модель матиме вигляд:
,ttt uy .)1,0(tu
Прогнозування поведінки якості інформації
Системні дослідження та інформаційні технології, 2014, № 3 69
В результаті отримали умовно-гаусівську модель, де t — середньо
квадратичне відхилення або волатильність. Поведінку волатильності t
можна описати різними математичними моделями, як лінійними так і нелі-
нійними.
Поведінка дисперсії величини показника достовірності на основі моде-
лі АРУГ:
p
i
itit
ttt
y
uy
1
2
0
2 .
,
Поведінка дисперсії величини показника достовірності на основі моде-
лі УАРУГ. У цій моделі волатильність залежить як від показника ty , так
і від :t
p
i
q
j
jtjitit
ttt
y
uy
1 1
22
0
2 ,
,
де ,0i .0j
Поведінку дисперсії також можна представити на основі моделі стохас-
тичної волатильності (МСВ), що була запропонована Тейлором [7]:
,)(lnln
,
22
1 ttt
ttt uy
,)1,0(tu ,),0( t
де t — волатильність у момент часу t ; tu , t — два незалежних гаусівсь-
ких процеси білого шуму з дисперсіями 1 та , відповідно; , , —
параметри моделі, значення яких повинні бути меншими по модулю за 1.
Поведінка дисперсії являє собою ланцюг Маркова, оскільки наступне зна-
чення залежить тільки від поточного значення та не залежить від минулих.
Для оцінювання параметрів моделі процес має бути стаціонарним, тобто
значення параметрів моделі мають бути меншими за модулем за одиницю.
ОЦІНЮВАННЯ ПАРАМЕТРІВ МОДЕЛІ
Для оцінювання параметрів МСВ застосуємо алгоритм Гіббса [8], який
складається з таких кроків: 1 — ініціалізація 0h та , , 2
; 2 — моделю-
вання th з 2
\ ,,,,| yhh tt , nt ,,1 ; 3 — моделювання ,,,|2 hy ; 4 —
моделювання 2,,| h ; 5 — моделювання 2,,| h ; 6 — перехід до 2-го
кроку.
Однією ітерацією алгоритму є виконання пунктів 2–5. Моделювання
потребує виконання декількох тисяч ітерацій алгоритму Гіббса S для гене-
рування вибірки. На початку моделювання значення оцінок параметрів да-
лекі від стаціонарних, тому оцінки параметрів, отримані на перших ітераці-
М.М. Коновалюк
ISSN 1681–6048 System Research & Information Technologies, 2014, № 3 70
ях алгоритму, не потрібно враховувати. Позначимо через 0S порядковий
номер ітерації алгоритму, після якого починається формування векторів па-
раметрів. Розмірність векторів є різницею кількості ітерацій алгоритму Гіб-
бса та величини, після якої починається формування векторів параметрів:
0iteration SSn . У результаті моделювання отримуємо вектори оцінок па-
раметрів:
),,,,(
iteration21 n
),,,,(
iteration21 n
.),,,(
iteration21 n
Значення, які додаються у вектори — це результат функціонування ал-
горитму Гіббса на кожній ітерації. Більш детально алгоритм описано в ро-
боті [9], яку присвячено реалізації алгоритму Гіббса для оцінювання пара-
метрів МСВ на мові програмування Java. Цей алгоритм можна застосувати
для прогнозування майбутньої поведінки показника достовірності інформа-
ції. Особливістю описаного та реалізованого в роботі [9] алгоритму є те, що
програму розроблено таким чином, що користувачу необхідно мати лише
файл з вибіркою величин показника достовірності за певний період часу.
Для прогнозування поведінки метрики достовірності інформації також
можна застосувати розроблені та програмно реалізовані алгоритми оціню-
вання параметрів МСВ методом «змішаного зсуву» на основі процедури
Монте-Карло для марковських ланцюгів із використанням алгоритму Гіббса
та оцінювання параметрів моделі УАРУГ. Описаний в роботі [10] метод оці-
нювання параметрів МСВ відрізняється від описаного вище процедурою
оцінювання волатильності процесу. Оцінювання параметрів моделі УАРУГ
реалізовано з використанням процедури моделювання «адаптивного відбра-
ковування за Метрополісом», що описана у роботі [11].
ФУНКЦІЇ ПРОГНОЗУВАННЯ
Метою оцінювання параметрів моделі є прогнозування. Об’єктом прогнозу-
вання є волатильність (дисперсія) величини метрики достовірності інформа-
ції. Модель, що описує зміну значення волатильності у часі, дає можливість
прогнозувати на один крок вперед. Для цього потрібно у відповідне рівнян-
ня підставити поточне значення волатильності та відповідні параметри. Для
прогнозування на декілька кроків вперед слід побудувати функцію прогно-
зування. В роботі [12] описано процес отримання функції прогнозування на
декілька кроків вперед на основі МСВ:
.)()1()1()( 12 khkth tt
У роботі [13] представлено функцію прогнозування на декілька кроків
вперед на основі моделі УАРУГ:
.)()(][ln)( 2
1
1
11
22
k
t
k
kttEkth
Прогнозування поведінки якості інформації
Системні дослідження та інформаційні технології, 2014, № 3 71
ТЕХНІЧНА РЕАЛІЗАЦІЯ
В роботі [14] зображено програмну систему, розроблену на описаних вище
підходах, яку можна модифікувати та застосувати для прогнозування май-
бутньої поведінки метрики достовірності інформації. Розроблена система
функціонує на основі валютного курсу, значення якого зберігаються у базі
даних. Модифікація полягає у необхідності зберігати у базі даних значень
показника достовірності інформації.
Етапи проектування системи та технології, що використані для її реалі-
зації, детально описані в [14]. Розглянуті всі модулі та структура системи,
наведені концептуальна та фізична модель бази даних, описано інтерфейс
користувача та надано інструкції з користування системою.
ВИСНОВКИ
В роботі запропоновано підхід по прогнозуванню волатильності (дисперсії)
величини показника достовірності інформації на основі авторегресійних мо-
делей, зокрема моделі стохастичної волатильності. Поведінка метрик повно-
ти та своєчасності інформації є передбачуваною, а поведінка метрики до-
стовірності інформації носить невизначений характер. Запропоновано
розроблену для прогнозирования волатильності валютного курсу інформа-
ційну технологію застосувати для прогнозування на короткий термін майбу-
тньої поведінки міри невизначеності показника достовірності інформації,
важливого під час прийняття рішень.
Запропонований підхід відкриває подальший напрям дослідження, який
полягає у визначенні оптимального часового інтервалу, на основі якого не-
обхідно формувати значення показника достовірності інформації.
ЛІТЕРАТУРА
1. Ballou D. P., Wang R. Y., Pazer H. & Tayi G. K. Modeling information manufactur-
ing systems to determine information product quality // Management Science. —
1998. — № 44 (4). — P. 462–484.
2. Lee Y.W., Strong D.M., Kahn B.K. & Wang R.Y. AIMQ: A methodology for in-
formation quality assessment // Information and Management . — 2002. —
№ 40(2). — P. 133–146.
3. Catarci T., Scannapieco M. Data Quality under the Computer Science Perspective //
Archivi&Computer. — 2002. — № 2. — P. 1–12.
4. Wang R.Y., Storey V.C. and Firth C.P. A Framework for Analysis of Data Quality
Research // IEEE Transaction on Knowledge and Data Engineering. — 1995. —
7, № 4. — P. 623–640.
5. Згуровський М.З., Панкратова Н.Д. Основи системного аналізу. — К.: Видав-
нича група BHV, 2007. — 544 с.
6. Batini C. and Scannapieco M. Data Quality Springer-Verlag Concepts, Methodolo-
gies and Techniques. Data-Centric Systems and Applications. — Berlin:
Springer-Verlag. — 2006. — P. 19–30.
7. Taylor S.J. Modeling Financial Time Series. — John Wiley, Chichester, 1986. —
268 p.
М.М. Коновалюк
ISSN 1681–6048 System Research & Information Technologies, 2014, № 3 72
8. Kim S., Shephard N., Chib S. Stochastic volatility: likelihood inference and com-
parison with ARCH models // Review of Economic Studies. — 1998. — 65. —
P. 361–393.
9. Бідюк П.І., Коновалюк М.М. Оцінювання параметрів моделі стохастичної
волатильності з використанням алгоритму Гіббса // Регіональний
міжвузівський збірник наукових праць «Системні технології». —
Дніпропетровськ, 2011. — Вип. 6 (77) — С. 12–27.
10. Бідюк П.І., Коновалюк М.М. Оцінювання моделей стохастичної волатильності
та УАРУГ на Java, Наукові праці. Комп’ютерні технології. — Миколаїв:
ЧДУ ім. Петра Могили, 2012. — Вип. т. 191, 179. — С. 14–20.
11. Gilks W.R., Best N.G., Tan K.K. Adaptive rejection metropolis sampling within
Gibbs sampling // Applied Statistics. — № 44. — P. 455–473.
12. Бідюк П.І., Коновалюк М.М. Прогнозування волатильності валютного ринку за
нелінійними моделями. Вісник нац. унів. «Львівська політехніка». —
2013. — № 751. — С. 257–265.
13. Engle R.F., Bollerslev T. Modeling the persistence of conditional variance. //
Econometric Reviews. — 1986. — 5. — P. 1–50.
14. Бідюк П.І., Коновалюк М.М. Інформаційна система для прогнозування
волатильності валютних курсів // Науково-теоретичний журнал «Искус-
ственный интеллект». — 2012. — № 4. — С. 292–302.
Надійшла 30.12.2013
|
| id | journaliasakpiua-article-32563 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2025-07-17T10:17:54Z |
| publishDate | 2014 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/44/db828bb84233be5cbdaa3420ec35c044.pdf |
| spelling | journaliasakpiua-article-325632014-12-22T16:35:13Z Forecasting the information quality Прогнозирование поведения качества информации Прогнозування поведінки якості інформації Konovaliuk, M. M. This paper considers information quality dimensions (Data Quality metrics). The approach and information technology to estimation and forecasting the data quality metric, which describes the accuracy of the information is proposed. A brief analysis of prior research on various approaches to defining metrics of Data Quality is presented. Nonlinearity of the data quality metric of accuracy makes it possible to forecast its future behavior using a stochastic volatility model (MSV), in which the Gibbs algorithm is used for parameter estimation. It is suggested to apply the information technology developed for forecasting the volatility of the exchange rate to forecast the future behavior of the uncertainty measure of the information accuracy. Forecasting of the accuracy measure of information has a key influence on the decision-making process. Рассматриваются показатели качества информации (метрики Data Quality). Предложен подход и информационная технология к оцениванию и прогнозированию показателя качества, который описывает достоверность информации. Проведен краткий анализ работ, посвященных разным подходам к определению метрик Data Quality. Нелинейный характер показателя достоверности информации дает возможность прогнозировать его будущие поведение с применением модели стохастической волатильности (МСВ), в которой для оценивания параметров применяется программно-реализованный алгоритм Гиббса. Предложено разработанную для прогнозирования волатильности валютного курса информационную технологию применить для прогнозирования будущего поведения меры неопределенности показателя достоверности информации. Прогнозирование показателя достоверности информации имеет ключевое влияние на процесс принятия решений. Розглянуто показники якості інформації (метрики Data Quality). Запропоновано підхід та інформаційна технологія до оцінювання та прогнозування показника якості, що описує достовірність інформації. Проведено короткий аналіз робіт, що присвячені різним підходам до визначення метрик Data Quality. Нелінійний характер показника достовірності інформації дає можливість прогнозувати його майбутню поведінку із застосуванням моделі стохастичної волатильності (МСВ), в якій для оцінювання параметрів застосовано програмно реалізований алгоритм Гіббса. Запропоновано розроблену для прогнозування волатильності валютного курсу інформаційну технологію застосувати для прогнозування майбутньої поведінки міри невизначеності показника достовірності інформації. Прогнозування показника достовірності інформації має ключовий вплив на процес прийняття рішень. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2014-09-30 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/32563 System research and information technologies; No. 3 (2014); 64-72 Системные исследования и информационные технологии; № 3 (2014); 64-72 Системні дослідження та інформаційні технології; № 3 (2014); 64-72 2308-8893 1681-6048 uk https://journal.iasa.kpi.ua/article/view/32563/29161 Copyright (c) 2021 System research and information technologies |
| spellingShingle | Konovaliuk, M. M. Прогнозування поведінки якості інформації |
| title | Прогнозування поведінки якості інформації |
| title_alt | Forecasting the information quality Прогнозирование поведения качества информации |
| title_full | Прогнозування поведінки якості інформації |
| title_fullStr | Прогнозування поведінки якості інформації |
| title_full_unstemmed | Прогнозування поведінки якості інформації |
| title_short | Прогнозування поведінки якості інформації |
| title_sort | прогнозування поведінки якості інформації |
| url | https://journal.iasa.kpi.ua/article/view/32563 |
| work_keys_str_mv | AT konovaliukmm forecastingtheinformationquality AT konovaliukmm prognozirovaniepovedeniâkačestvainformacii AT konovaliukmm prognozuvannâpovedínkiâkostíínformacíí |