Комп’ютерні моделі прогнозування значень часових рядів

Abstract

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 умів 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.

The paper presents an approach to computer modelling of time series based on modern deep learning architectures, specifically LSTM, GRU, and their hybrid combinations, as well as ensemble models. A comparative analysis of deep neural network structures with varying parametric complexity is proposed, utilising MAE, MSE, SMAPE, and MAPE metrics on training, validation, and test samples. It is demonstrated that hybrid LSTM+GRU architectures yield better prediction quality compared to individual models; however, further increasing the depth and number of parameters results in only a slight increase in accuracy. The best results were obtained for an ensemble algorithm based on several heterogeneous models, which demonstrates the lowest error values and increased resistance to noise and data anomalies. The results of the experiments confirm that the combination of deep recurrent architectures with ensemble approaches is an effective tool for improving the accuracy and stability of long-term meteorological time series forecasting and can serve as a basis for building applied decision support systems in energy, transportation, and other dynamic industries.