Хлапонін, Ю.І.Ю.І.ХлапонінКасім, Н.Х.Н.Х.КасімТарасюк, Д.М.Д.М.Тарасюк2026-06-162026-06-162023Хлапонін, Ю., Касім, Н., Тарасюк, Д. (2023). FORECASTING THE STATE OF TELECOMMUNICATION NETWORKS USING QUANTILE AND LOGISTIC REGRESSION METHODS. Збірник наукових праць Військового інституту Київського національного університету імені Тараса Шевченка(80), 91–97. https://doi.org/10.17721/2519-481X/2023/80-1010.17721/2519-481X/2023/80-10https://ir.library.knu.ua/handle/15071834/23430In today's modern world, the ubiquity of information technology has intertwined telecommunications systems with every facet of human life. It's challenging to fathom a world where you're disconnected from the "World Wide Web" or unable to exchange data instantly via the intricate web of modern mobile devices. The vitality of staying connected online cannot be overstated, and ensuring the smooth functioning of telecommunications systems is paramount. This paper delves into the pivotal task of predicting and managing the performance of these networks, employing quantile and logical regression techniques. Our study leverages real-world data from telecommunication network operations to construct a predictive model capable of anticipating network conditions in advance. This predictive capability serves as the linchpin for intelligent decision-making systems, facilitating real-time network management. By implementing machine learning methods, specifically quantile regression, we achieve a sophisticated understanding of how various factors influence network performance. Our research doesn't just stop at forecasting; it extends to the realms of intellectual decision-making systems, where the insights gained from regression analysis play a pivotal role. These intelligent systems are equipped to make data-driven decisions on network resource allocation, maintenance schedules, and preemptive problem resolution. In essence, they act as the custodians of network stability, ensuring that telecommunication systems remain robust and responsive to the ever-evolving demands of modern society. This article sheds light on the indispensable role of regression methods in proactively managing the state of telecommunications networks. By harnessing the power of machine learning and data-driven insights, we pave the way for a future where network disruptions are minimized, and the seamless connectivity we've come to rely on remains a constant presence in our lives.У сучасному світі повсюдне поширення інформаційних технологій переплелись телекомунікаційні системи з усіма аспектами людського життя. Важко осягнути світ, де ви відключені від «Всесвітньої мережі» або не можете миттєво обмінюватися даними через заплутану мережу сучасних мобільних пристроїв. Життєвість підтримки зв’язку онлайн неможливо переоцінити, а забезпечення безперебійної роботи телекомунікаційних систем є першорядним. У цьому документі розглядається головне завдання прогнозування та керування продуктивністю цих мереж, використовуючи методи квантильної та логічної регресії. Наше дослідження використовує реальні дані з операцій телекомунікаційної мережі, щоб побудувати прогностичну модель, здатну заздалегідь передбачити стан мережі. Ця можливість прогнозування служить основою для інтелектуальних систем прийняття рішень, полегшуючи керування мережею в реальному часі. Впроваджуючи методи машинного навчання, зокрема квантильну регресію, ми досягаємо глибокого розуміння того, як різні фактори впливають на продуктивність мережі. Наше дослідження не обмежується лише прогнозуванням; він поширюється на сфери інтелектуальних систем прийняття рішень, де розуміння, отримане за допомогою регресійного аналізу, відіграє ключову роль. Ці інтелектуальні системи обладнані для прийняття керованих даними рішень щодо розподілу мережевих ресурсів, графіків технічного обслуговування та превентивного вирішення проблем. По суті, вони діють як зберігачі стабільності мережі, гарантуючи, що телекомунікаційні системи залишаються надійними та чуйними на вимоги сучасного суспільства, що постійно змінюються. Ця стаття проливає світло на незамінну роль регресійних методів у проактивному управлінні станом телекомунікаційних мереж. Використовуючи потужність машинного навчання та аналіз даних, ми прокладаємо шлях до майбутнього, де збої в роботі мережі зведені до мінімуму, а безперебійне з'єднання, на яке ми звикли покладатися, постійно буде присутнім у нашому житті.enінформаційні технологіїтелекомунікаційна системаінтелектуальна система прийняття рішеньмашинне навчанняквантильна регресіяinformation technologytelecommunication systemintellectual decision-making systemmachine learningquantile regressionСтаття