ОЦЕНКА МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ СЕЗОННЫХ ВРЕМЕННЫХ РЯДОВ

В.В. Альчаков; В.А. Крамарь

В.В. Альчаков Севастопольский государственный университет
В.А. Крамарь Севастопольский государственный университет

Ключевые слова: Временные ряды с сезонной изменчивостью, машинное обучение, прогнозирующие модели, SARIMA, экспоненциальное сглаживание Хольта-Винтерса, rror Trend Seasonal (ETS), Facebook Prophet, XGBoost, Long Short-Term Memory (LSTM)

Аннотация

Временные ряды с сезонной изменчивостью получили широкое распространение для
описания процессов в различных областях, таких как торговля, анализ финансовых рынков,
прогнозирование пассажирских авиаперевозок, описание климатических изменений. В по-
следнее время широкое применение данный подход стал применяться и для описания тех-
нологических процессов. В связи с чем стало возможным применять прогнозирующие моде-
ли в системах управления сложными техническими объектами. Методы машинного обуче-
ния могут быть эффективно использованы для построения прогнозирующих моделей рядов
такого типа. При этом для построения прогноза в качестве входных данных используются
лишь исторические данные, накопленные за несколько периодов сезонных наблюдений, зна-
ние других параметров, как правило, не требуется. В статье рассмотрено построение
прогнозирующей модели временного ряда с сезонной изменчивостью, описывающего техно-
логический процесс, в качестве которого выбран входной поток завода по очистке сточ-
ных вод. Описана общая методология построения модели, требования к входным массивам
данных, алгоритмы предварительной обработки для формирования выборок, используемых
для обучения и тестирования моделей. Для построения прогнозирующей модели в работе
использовались классические методы (SARIMA, Holt-Winters Exponential Smoothing, ETS), а
также новые алгоритмы (Facebook Prophet, XGBoost, Long Short Term Memory). Реализация
алгоритмов выполнена на языке Python, в работе даны рекомендации по использованию
существующих библиотек и функций этого языка. Приводится сравнительный анализ
точности полученных моделей на основе расчета набора статистических метрик. Также
проведен анализ быстродействия методов, поскольку время, затраченное на создание мо-
дели и получение прогноза, играет немаловажную роль при запуске модели в реальных усло-
виях на производстве. По совокупности оценок выбран лучший метод для решения постав-
ленной задачи для применения в системах управления реального времени. В заключении да-
ны рекомендации по повышению точности прогноза и обозначены направления будущих
исследований в данной области.

Литература

1. Pongdatu G.A.N., Putra Y.H. Time Series Forecasting using SARIMA and Holt Winter’s Exponential
Smoothing, IOP Conf. Ser.: Mater. Sci. Eng., 2018,407 012153.
2. Huang W., Li Y., Zhao Y., Zheng L. Time Series Analysis and Prediction on Bitcoin, BCP
Business & Management, 2022, Vol. 34, pp. 1223-1234.
3. Kemalbay G., B. Korkmazoglu O. Sarima-arch versus genetic programming in stock price
prediction, Sigma J Eng Nat Sci., 2021, Vol. 39, No. 2, pp. 110-122.
4. Paliari I., Karanikola A., Kotsiantis S. A comparison of the optimized LSTM, XGBOOST and
ARIMA in Time Series forecasting, Proceedings of 12th International Conference on Information,
Intelligence, Systems & Applications, Chania Crete, Greece, 2021.
5. Andreeski C., Mechkaroska D. Modelling, Forecasting and Testing Decisions for Seasonal
Time Series in Tourism, Acta Polytechnica Hungarica, 2020, Vol. 17, No. 10, pp. 149-171.
6. Uğuz, Büyükgökoğlan E. A Hybrid CNN-LSTM Model for Traffic Accident Frequency Forecasting
During the Tourist Season, Technical Gazette, 2022, Vol. 29, pp. 2083-2089.
7. Etuk E. A seasonal time series model for Nigerian monthly air traffic data, IJRRAS, 2013,
4 (3), pp. 596-602.
8. Feng T. Tianyu Z., Zheng Y., Jianxing Y. The comparative analysis of SARIMA, Facebook
Prophet, and LSTM for road traffic injury prediction in Northeast China // Frontiers in Public
Health. – July 2022, Vol. 10. DOI: 10.3389/fpubh.2022.946563.
9. Zhu X., Helmer E.H., Gwenzi D., Collin M. Characterization of Dry-Season Phenology in Tropical
Forests by Reconstructing Cloud-Free Landsat Time Series, Remote Sens, 2021, 13, 4736.
10. Figueiredo N., Blanco C. Water level forecasting and navigability conditions of the Tapajós River -
Amazon – Brazil, La Houille Blanche, 2016. La Houille Blanche, Vol. 102 (3), pp. 53-64.
11. Shen J., Valagolam D., McCalla S. Prophet forecasting model: a machine learning approach to
predict the concentration of air pollutants (PM2.5, PM10, O3, NO2, SO2, CO) in Seoul, South
Korea, PeerJ, 2020, 8.
12. Hasnain A., Sheng Y., Hashmi M.Z. Time Series Analysis and Forecasting of Air Pollutants
Based on Prophet Forecasting Model in Jiangsu Province, China Citation, Frontiers in Environmental
Science, 2022, 10:945628.
13. Luo Z., Jia X., Bao J. A Combined Model of SARIMA and Prophet Models in Forecasting
AIDS Incidence in Henan Province, China, International Journal of Environmental Research
and Public Health, 2022, 19, 5910.
14. Pandit A., Khan D. Z., Hanrahan J. G. Historical and future trends in emergency pituitary
referrals: a machine learning analysis, Pituitary, 2022, 25 (6), pp. 927-937.
15. Benkachcha S., Benhra J., El Hassani H. Seasonal Time Series Forecasting Models based on
Artificial Neural Network, International Journal of Computer Applications, 2015, Vol. 116,
No. 20, pp. 9-14.
16. Palmroos C., Gieseler J., Morosan N. Solar energetic particle time series analysis with Python,
Frontiers in Astronomy and Space Sciences, 2022, 9:1073578.
17. Wan X., Zou Y., Wang J., Wang W. Prediction of shale oil production based on Prophet algorithm,
Journal of Physics: Conference Series, 2009, Vol. No. 1.
18. El-Rawy M., Abd-Ellah M.K., Fathi H., Abdella Ahmed A. K. Forecasting effluent and performance
of wastewater treatment plant using different machine learning techniques, Journal of
Water Process Engineering, 2021, Vol. 44.
19. Taylor S., Letham B. Forecasting at scale, The American statistician, 2017, Vol. 72, No. 1,
pp.37-45.
20. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System, Proceedings of the 22nd
ACM SIGKDD International Conference, San Francisco California, 2016.
21. Hochreiter S., Schmidhuber J. Long Short-term Memory, Neural computation, 1997, Vol. 9,
pp. 1735-80.
22. Zemkoho A. A Basic Time Series Forecasting Course with Python, Oper. Res. Forum., 2023, 4:2.
23. Plevris V., Solorzano G., Bakas N., Ben Seghier M. Investigation of performance metrics in
regression analysis and machine learning-based prediction models, Proccedings of the 8th European
Congress on Computational Methods in Applied Sciences and Engineering Oslo, Norway,
2022.
24. Pandas - Python Data Analysis Library. Available at: https://pandas.pydata.org.
25. Cowpertwait P.S.P., Metcalfe A. V. Introductory Time Series with R. Springer, London, 2009.
26. Introduction – statmodels. Available at: https://www.statsmodels.org/stable/index.html/.
27. Pmdarima: ARIMA estimators for Python. Available at: https://alkaline-ml.com.
28. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice, Otexts, Monash University,
Australia, 2021.
29. Prophet | Forecasting at scale. Available at: https://facebook.github.io/prophet/.
30. XGBoost. Available at: https://xgboost.ai/about.
31. Python API Reference – xgboost documentation. Available at: xgboost.readthedocs.io.