Использование регрессионного анализа в задачах непрерывного мониторинга состояния систем требует высокого быстродействия алгоритма оценивания параметров модели. При этом метод оценивания должен обладать устойчивостью к стохастической неоднородности данных. Такому условию соответствует метод наименьших модулей. В работе рассмотрен один из наиболее быстрых вариантов его реализации, основанный на спуске по узловым прямым. Целью статьи является повышение вычислительной эффективности известного метода на основе спуска по узловым прямым. В статье описан алгоритм линейного регрессионного моделирования многомерных динамических процессов на основе метода наименьших модулей. Алгоритм реализует градиентный спуск по узловым прямым. Вычислительная сложность оценивания коэффициентов регрессии в динамике снижена за счет использования в качестве начальной точки решения задачи на предыдущем шаге. Выигрыш достигается за счет снижения количества переходов с одной узловой прямой на другую. Это количество не зависит от объема выборки. Выполнена оценка вычислительной сложности разработанного алгоритма. Проведен сравнительный анализ вычислительной эффективности предложенного и известного алгоритмов. Также показано, что наилучшей стратегией спуска из узловой точки является рассмотрение всех узловых прямых, проходящих через эту точку. Разработанный алгоритм также позволит повысить быстродействие реализации обобщенного метода наименьших модулей.

The use of regression analysis in the tasks of continuous monitoring of the state of systems requires a high speed of the algorithm for estimating the parameters of the model. At the same time, the estimation method must be resistant to stochastic heterogeneity of the data. This condition corresponds to the method of least modules. The paper considers one of the fastest variants of its implementation, based on the descent along the nodal straight lines. The purpose of the article is to increase the computational efficiency of the known method based on descent along nodal straight lines. The article describes an algorithm for linear regression modeling of multidimensional dynamic processes based on the least absolute deviations method. The algorithm implements gradient descent along nodal straight lines. The computational complexity of estimating regression coefficients in dynamics is reduced by using the problem solution as the starting point at the previous step. The gain is achieved by reducing the number of transitions from one node line to another. This number does not depend on the sample size. The computational complexity of the developed algorithm is estimated. A comparative analysis of the computational efficiency of the proposed and known algorithms is carried out. It is also shown that the best strategy for descending from a nodal point is to consider all nodal lines passing through this point. The developed algorithm will also improve the performance of the implementation of the generalized least absolute deviations method.