Комп’ютерні моделі прогнозування значень часових рядів
DOI:
https://doi.org/10.30837/bi.2025.2(103).02Ключові слова:
МОДЕЛЬ ГЛИБОКОГО НАВЧАННЯ, LSTM, GRU, АНСАМБЛЕВА МОДЕЛЬ, ЧАСОВИЙ РЯДАнотація
У роботі розглянуто підхід до комп’ютерного моделювання часових рядів на основі сучасних архітектур глибокого навчання, зокрема LSTM, GRU та їхніх гібридних комбінацій, а також ансамблевих моделей. Запропоновано порівняльний аналіз глибоких нейромережевих структур різної параметричної складності за метриками MAE, MSE, SMAPE та MAPE на тренувальній, валідаційній та тестовій вибірках. Показано, що гібридні архітектури LSTM+GRU забезпечують кращу якість прогнозування порівняно з окремими моделями, однак подальше нарощування глибини та кількості параметрів призводить лише до незначного приросту точності. Найкращі результати отримано для ансамблевого алгоритму, сформованого на основі кількох різнорідних моделей, який демонструє найнижчі значення похибок та підвищену стійкість до шумів і аномалій даних. Результати експериментів підтверджують, що поєднання глибинних рекурентних архітектур із ансамблевими підходами є ефективним інструментом підвищення точності та стабільності прогнозування довгострокових метеорологічних часових рядів і може бути використане як основа для побудови прикладних систем підтримки прийняття рішень в енергетиці, транспорті та інших динамічних галузях
Посилання
Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society A, 379(2194), 20200209.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PloS one, 13(3), e0194889.
Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.
Siami-Namini, S., Tavakoli, N., & Namin, A. S. (2019). A comparative analysis of forecasting financial time series using arima, lstm, and bilstm. arXiv preprint arXiv:1911.09512.
Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society A, 379(2194), 20200209.
Єріна, А., & Мазуренко, О. (2022). Статистичний аналіз часових рядів: навчальний посібник. Київ: КНУШ.
Vennerød, C. B., Kjærran, A., & Bugge, E. S. (2021). Long short-term memory RNN. arXiv preprint arXiv:2105.06756.
Sagheer, A., & Kotb, M. (2019). Time series forecasting of petroleum production using deep LSTM recurrent networks. Neurocomputing, 323, 203-213.
Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555.
Pirani, M., Thakkar, P., Jivrani, P., Bohara, M. H., & Garg, D. (2022, April). A comparative analysis of ARIMA, GRU, LSTM and BiLSTM on financial time series forecasting. In 2022 IEEE International Conference on Distributed Computing and Electrical Circuits and Electronics (ICDCECE) (pp. 1-6). IEEE.
Choi, J. Y., & Lee, B. (2018). Combining LSTM network ensemble via adaptive weighting for improved time series forecasting. Mathematical problems in engineering, 2018(1), 2470171.
King, A. (2023). Weather Long-Term Time Series Forecasting [Data set]. Kaggle. https://www.kaggle.com/datasets/alistairking/weather-long-term-time-series-forecasting
