ОЦЕНКА МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ СЕЗОННЫХ ВРЕМЕННЫХ РЯДОВ
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.
