Informacionnye TehnologiiInformacionnye TehnologiiИнформационные технологии1684-6400New Technologies Publishing House70295110.17587/it.32.104-112Software engineeringПрограммная инженерияResearch ArticleModifications of the method for predicting sharp activity surges in systems with network effects using adaptive parametersМодификации метода прогноза резкого роста активности в системах с сетевым эффектом с использованием адаптивных параметровRyabovV. V.РябовВ. В.
Russian Federation

PhD student

аспирант

ryabov.vv@inbox.ruNemtinovV. A.НемтиновВ. А.
Russian Federation

Dr. of Tech. Sc., Professor

д-р техн. наук, проф.

nemtinov.va@yandex.ruAlekseevV. V.АлексеевВ. В.
Russian Federation

Dr. of Tech. Sc., Professor

д-р техн. наук, проф.

vvalex1961@mail.ruFederal state financed educational institution of higher education "Tambov State Technical University"Федеральное государственное бюджетное образовательное учреждение высшего образования "Тамбовский государственный технический университет"180220263221041121802202618022026Copyright ©; 2026, Informacionnye TehnologiiCopyright ©; 2026, Информационные технологии2026Informacionnye TehnologiiИнформационные технологииhttps://journals.eco-vector.com/1684-6400/article/view/702951

The article proposes modifications to the method for predicting abrupt changes in activity in software products with network effects, aimed at improving the accuracy and timeliness of detecting critical events. The focus is on adaptive parameters of the method, including a dynamic activation threshold for predictive signals dependent on current data volatility and automatic determination of the moving average window width based on local variability of activity metrics. А comparative analysis of the effectiveness of each modification was conducted using performance metrics defined in the article and visualization of results. It was found that the adaptive threshold reduces the proportion of false positives, while the algorithm for automatically selecting the moving average window width enables earlier detection of predictive signals. The results demonstrate that combining the proposed modifications ensures a balance between sensitivity and reliability of predictions, which is particularly important for social network monitoring systems and forecasting the risk of coordinated destructive actions by users.

Предложены модификации метода прогноза резких изменений активности в программных продуктах с сетевым эффектом, которые направлены на повышение точности и своевременности обнаружения критически важных событий. Основное внимание уделено адаптивным параметрам метода, включая динамический порог активации прогнозного сигнала, зависящий от текущей волатильности данных, и автоматическое определение ширины окна скользящего среднего на основе локальной изменчивости показателей активности. Проведен сравнительный анализ эффективности каждой модификации с использованием определенных в данной статье метрик эффективности и визуализации результатов. Установлено, что адаптивный порог снижает долю ложных срабатываний, а алгоритм автоматического выбора ширины окна скользящего среднего позволяет раньше обнаружить прогнозный сигнал. Полученные результаты демонстрируют, что комбинирование предложенных модификаций обеспечивает баланс между чувствительностью и надежностью прогноза, что особенно важно для систем мониторинга социальных сетей и прогноза риска согласованных деструктивных действий акторов.

software product with network effectssocial networksdynamic systemforecasting a sharp increase in activityпрограммный продукт с сетевым эффектомсоциальные сетидинамическая системапрогнозирование резкого роста активностиWang H., Qiu L., Tan K., Cui J. Susceptible-Infectious-Critical-Recovered rumor spreading model in social networks, International Journal of Modern Physics C, 2022, vol. 33, no. 04, DOI: 10.1142/s012918312250053x.Wang H., Qiu L., Tan K., Cui J. Susceptible-Infectious-Critical-Recovered rumor spreading model in social networks // International Journal of Modern Physics C. 2022. Vol. 33, N. 04. DOI: 10.1142/s012918312250053x.Du R., Yu Z., Mei T., Wang Z. et al. Predicting activity attendance in event-based social networks: Content, context and social influence, Proceedings of the 2014 ACM international joint conference on pervasive and ubiquitous computing, 2014, pp. 425—434.Du R., Yu Z., Mei T., Wang Z. et al. Predicting activity attendance in event-based social networks: Content, context and social influence // Proceedings of the 2014 ACM international joint conference on pervasive and ubiquitous computing. 2014. P. 425—434.Mancini A., Desiderio A., Di Clemente R., Cimini G. Self-induced consensus of Reddit users to characterise the GameStop short squeeze, Scientific Reports, 2022, vol. 12, no. 1, pp. 13780, DOI: 10.1038/s41598-022-17925-2.Mancini A., Desiderio A., Di Clemente R., Cimini G. Self-induced consensus of Reddit users to characterise the GameStop short squeeze // Scientific Reports. 2022. Vol. 12, N. 1. P. 13780. DOI: 10.1038/s41598-022-17925-2.Su Y., Cui C., Qu Н. Self-Attentive Moving Average for Time Series Prediction, Applied Sciences (Switzerland), 2022, vol. 12, no. 7, pp. 3602, DOI: 10.3390/app12073602.Su Y., Cui C., Qu Н. Self-Attentive Moving Average for Time Series Prediction // Applied Sciences (Switzerland). 2022. Vol. 12, N. 7. P. 3602. DOI: 10.3390/app12073602.Kuznetsov I. V., Rodkin M. V., Serebryakov D. V. Forecasting surges in serious crimes based on the hierarchy of crime patterns, Preprints of the Keldysh Institute of Applied Mathematics, 2005, no. 12, pp. 1—24.Кузнецов И. В., Родкин М. В., Серебряков Д. В. Прогноз скачков тяжких преступлений на основе иерархичности режима преступности // Препринты ИПМ им. М. В. Келдыша. 2005. № 12. С. 1—24.Certificate of State Registration of Computer Program No. 2025615409, Russian Federation. Search for predictive signals of a sharp increase in activity in a social network community based on comment data: No. 2025612926: applied 19.02.2025: published 04.03.2025 / V. V. Ryabov, V. A. Nemtinov; applicant: Tambov State Technical University (in Russian).Свидетельство о государственной регистрации программы для ЭВМ № 2025615409 Российская Федерация. Поиск прогнозных сигналов о резком росте активности в сообществе социальной сети по данным о комментариях: № 2025612926: заявл. 19.02.2025: опубл. 04.03.2025 / В. В. Рябов, В. А. Немтинов; заявитель федеральное государственное бюджетное образовательное учреждение высшего образования "Тамбовский государственный технический университет".Baumgartner J., Zannettou S., Keegan B. et al. The Pushshift Reddit Dataset, Proceedings of the International AAAI Conference on Web and Social Media, 2020, vol. 14, pp. 830—839, DOI: 10.1609/icwsm.v14i1.7347.Baumgartner J., Zannettou S., Keegan B. et al. The Pushshift Reddit Dataset // Proceedings of the International AAAI Conference on Web and Social Media. 2020. Vol. 14. P. 830—839. DOI: 10.1609/icwsm.v14i1.7347.Anand A., Pathak J. The role of Reddit in the GameStop short squeeze, Economics Letters, 2022, vol. 211, pp. 110249, DOI: 10.1016/j.econlet.2021.110249.Anand A., Pathak J. The role of Reddit in the GameStop short squeeze // Economics Letters. 2022. Vol. 211. P. 110249. DOI: 10.1016/j.econlet.2021.110249.Koroteev M. V. Fundamentals of Machine Learning in Python, Moscow, Knorus, 2024, 432 p. (in Russian).Коротеев М. В. Основы машинного обучения на Python. М.: ООО "Издательство "КноРус"", 2024. 432 с.Korobova M. A., Gubina D. I. Overview of Machine Learning Methods Used in Algorithmic Trading, Languages in Professional Communication, 2022, pp. 54—59.Korobova M. A., Gubina D. I. Overview of Machine Learning Methods Used in Algorithmic Trading // Languages in Professional Communication. 2022. P. 54—59.Ryabov V., Nemtinov V. et al. Prospects for Predicting Coordinated Actions by Large Groups of Users Based on the Hierarchy of Activity in Social Networks, International Conference on Business Intelligence and Data Analytics (Singapore 2024), Singapore: Springer, 2024, pp. 15—26.Ryabov V., Nemtinov V. et al. Prospects for Predicting Coordinated Actions by Large Groups of Users Based on the Hierarchy of Activity in Social Networks // International Conference on Business Intelligence and Data Analytics (Singapore 2024). Singapore: Springer, 2024. P. 15—26.Wagle А. Deep Learning for Financial Time Series using Long Short-Term Memory Model, International Journal of Science and Research, 2024, vol. 13, no. 4, pp. 1944—1972, DOI: 10.21275/sr24418141736.Wagle А. Deep Learning for Financial Time Series using Long Short-Term Memory Model // International Journal of Science and Research. 2024. Vol. 13, N. 4. P. 1944—1972. DOI: 10.21275/sr24418141736.Jammalamadaka S. R. Introduction to Linear Regression Analysis, American Statistician, 2003, vol. 57, no. 1, pp. 67.Jammalamadaka S. R. Introduction to Linear Regression Analysis // American Statistician. 2003. Vol. 57, N. 1. P. 67.Gustavsen В. Passivity Enforcement by Residue Perturbation via Constrained Non-Negative Least Squares, IEEE Transactions on Power Delivery, 2021, vol. 36, no. 5, pp. 2758—2767, DOI: 10.1109/tpwrd.2020.3026385.Gustavsen В. Passivity Enforcement by Residue Perturbation via Constrained Non-Negative Least Squares // IEEE Transactions on Power Delivery. 2021. Vol. 36, N. 5. P. 2758—2767. DOI: 10.1109/tpwrd.2020.3026385.Wang J. Y., Yin Y. H., Zheng J. Yi. et al. Least absolute shrinkage and selection operator-based prediction of collision cross section values for ion mobility mass spectrometric analysis of lipids, The Analyst, 2022, vol. 147, no. 6, pp. 1236—1244, DOI: 10.1039/d1an02161c.Wang J. Y., Yin Y. H., Zheng J. Yi. et al. Least absolute shrinkage and selection operator-based prediction of collision cross section values for ion mobility mass spectrometric analysis of lipids // The Analyst. 2022. Vol. 147, N. 6. P. 1236—1244. DOI: 10.1039/d1an02161c.Ahmed H. A., Muhammad Ali P. J., Faeq A. K., Abdullah S. M. An Investigation on Disparity Responds of Machine Learning Algorithms to Data Normalization Method, ARO: The Scientific Journal of Koya University, 2022, vol. 10, no. 2, pp. 29—37, DOI: 10.14500/aro.10970.Ahmed H. A., Muhammad Ali P. J., Faeq A. K., Abdullah S. M. An Investigation on Disparity Responds of Machine Learning Algorithms to Data Normalization Method // ARO: The Scientific Journal of Koya University. 2022. Vol. 10, N. 2. P. 29—37. DOI: 10.14500/aro.10970.Wieczorek J., Guerin C., McMahon T. K-fold cross-validation for complex sample surveys, Stat., 2022, vol. 11, no. 1, DOI: 10.1002/sta4.454.Wieczorek J., Guerin C., McMahon T. K-fold cross-validation for complex sample surveys // Stat. 2022. Vol. 11, N. 1. DOI: 10.1002/sta4.454.Koleintev N. Ya., Goncharova O. A. Correlation and determination coefficients, Special Equipment and Transport Technologies, 2021, no. 10, pp. 206—212 (in Russian).Колентеев Н. Я., Гончарова О. А. Коэффициенты корреляции и детерминации // Специальная техника и технологии транспорта. 2021. № 10. С. 206—212.Katrutsa A. M., Strizhov V. V. The problem of multicollinearity in feature selection for regression tasks, Information Technologies, 2015, vol. 21, no. 1, pp. 8—18 (in Russian).Катруца А. М., Стрижов В. В. Проблема мультиколлинеарности при выборе признаков в регрессионных задачах // Информационные технологии. 2015. Т. 21, № 1. С. 8—18.Zinzendoff Okwonu F., Laro Asaju B., Irimisose Arunaye F. Breakdown Analysis of Pearson Correlation Coefficient and Robust Correlation Methods, IOP Conference Series: Materials Science and Engineering, 2020, vol. 917, no. 1, pp. 012065, DOI: 10.1088/1757-899x/917/1/012065.Zinzendoff Okwonu F., Laro Asaju B., Irimisose Arunaye F. Breakdown Analysis of Pearson Correlation Coefficient and Robust Correlation Methods // IOP Conference Series: Materials Science and Engineering. 2020. Vol. 917, N. 1. P. 012065. DOI: 10.1088/1757-899x/917/1/012065.Bu C., Zhang Z. Research on Overfitting Problem and Correction in Machine Learning, Journal of Physics: Conference Series, 2020, vol. 1693, no. 1, pp. 012100, DOI: 10.1088/1742-6596/1693/1/012100.Bu C., Zhang Z. Research on Overfitting Problem and Correction in Machine Learning // Journal of Physics: Conference Series. 2020. Vol. 1693, N. 1. P. 012100. DOI: 10.1088/1742-6596/1693/1/012100.Kozyrev А. N. Network effects and digital platforms in economics and mathematical models, Digital Economy, 2021, no. 3 (15), pp. 5—33, DOI: 10.34706/DE-2021-03-01 (in Russian).Козырев А. Н. Сетевые эффекты и цифровые платформы в экономике и математических моделях // Цифровая экономика. 2021. № 3(15). С. 5—33. DOI: 10.34706/DE-2021-03-01.Atchade M. N. Adaptive Forecasting Methods: Implementation in Excel and R, St. Petersburg, Saint Petersburg State University of Economics, 2018, 101 p. (in Russian).Атчаде М. Н. Адаптивные методы прогнозирования: реализация в Excel и программе R: учебное пособие. СПб.: СПбГЭУ, 2018. 101 с.Ryabov V. V., Nemtinov V. A. Analysis of seasonality and trends in virtual social network actor activity using time series forecasting tools, Virtual Modeling, Prototyping and Industrial Design: Proceedings of the X International Conference (Tambov, 21—22 October 2024), Tambov, TSTU, 2024, pp. 280—286 (in Russian).Рябов В. В., Немтинов В. А. Анализ сезонности и тренда активности акторов виртуальной социальной сети с помощью средств прогнозирования временных рядов // Виртуальное моделирование, прототипирование и промышленный дизайн: Материалы X Междунар. науч.-практ. конф. (Тамбов, 21—22 октября 2024 г.) Тамбов: ТГТУ, 2024. С. 280—286.Gonzalez-Torres M. A. Technology at the Rescue? Online Games, Adolescent Mental Health and the COVID Pandemic, The American Journal of Psychoanalysis, 2024, vol. 84, no. 2, pp. 190—202, DOI: 10.1057/s11231-024-09445-x.Gonzalez-Torres M. A. Technology at the Rescue? Online Games, Adolescent Mental Health and the COVID Pandemic // The American Journal of Psychoanalysis. 2024. Vol. 84, N. 2. P. 190—202. DOI: 10.1057/s11231-024-09445-x.Semenova V., Gorduza D., Wildi W. et al. Wisdom of the Crowds or Ignorance of the Masses? А Data-Driven Guide to WallStreetBets, Journal of Portfolio Management, 2024, vol. 50, no. 4, pp. 88—106, DOI: 10.3905/jpm.2024.1.581.Semenova V., Gorduza D., Wildi W. et al. Wisdom of the Crowds or Ignorance of the Masses? А Data-Driven Guide to WallStreetBets // Journal of Portfolio Management. 2024. Vol. 50, N. 4. P. 88—106. DOI: 10.3905/jpm.2024.1.581.Liu Y., Li Y., Xie D. Implications of imbalanced datasets for empirical ROC-AUC estimation in binary classification tasks, Journal of Statistical Computation and Simulation, 2024, vol. 94, no. 1, pp. 183—203, DOI: 10.1080/00949655.2023.2238235.Liu Y., Li Y., Xie D. Implications of imbalanced datasets for empirical ROC-AUC estimation in binary classification tasks // Journal of Statistical Computation and Simulation. 2024. Vol. 94, N. 1. P. 183—203. DOI: 10.1080/00949655.2023.2238235.