А.В. Гуляев1
1 Российский государственный социальный университет (РГСУ) (Москва, Россия)

1 Gulyaev81@gmail.com

Постановка проблемы. Прогнозирование временных рядов играет ключевую роль в различных областях, таких как экономика, метеорология, энергетика, радиотехника. Традиционные модели, разрабатываемые на основе методов машинного обучения и статистических подходов, демонстрируют определенные достижения в решении широкого круга прикладных задач. Однако, несмотря на их универсальность, такие модели оказываются ограниченными в ситуациях, где данные обладают высокой степенью сложности и непредсказуемости. В условиях, где данные характеризуются высокой размерностью или зашумлены, традиционные подходы могут терять возможность адекватной интерпретации и извлечения полезной информации из таких данных.

Цель. Разработать гибридную модель глубокого обучения для прогнозирования значений временных рядов, которая выведет на новый уровень качество прогнозов и преодолеет ограничения традиционных подходов.

Результаты. Предложена архитектура, сочетающая в себе модели прогнозирования Prophet, рекуррентные нейронные сети и сверточные нейронные сети. Отмечено, что сверточные сети обладают способностью детектировать паттерны, недоступные для определения статистическими методами, в то время как рекуррентные нейронные сети эффективны для обработки последовательных данных. Установлено, что комбинирование указанных архитектур позволяет улучшить качество прогнозов. Представлены результаты экспериментов, проведенных на различных наборах данных, которые показали, что предложенная гибридная модель превосходит как некоторые традиционные статистические методы, так и отдельные модели машинного обучения по точности прогнозов.

Практическая значимость. Разработанная модель представляется перспективной для применения в задачах, требующих высокого уровня предсказательной точности в условиях сложных временных зависимостей.

Гуляев А.В. Гибридная модель глубокого обучения для прогнозирования значений временных рядов // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 3. С. 62–72. DOI: https://doi.org/10.18127/j19998554-202503-08

1. Гуляев А.В., Пивнева С.В. Анализ существующих регрессионных, авторегрессионных моделей, моделей экспоненциального сглаживания. Их применение к прогнозированию покупательского спроса продуктов питания, характеристики, особенности, достоинства и недостатки // Сб. науч. трудов Всерос. науч.-технич. конф. «Наука. Производство. Образование». М.: Российский государственный социальный университет. 2023. С. 41–51.
2. Орлова И.В. Использование пакета Prophet в прогнозировании временных рядов // Фундаментальные исследования. 2021. № 3. С. 94–102. DOI: 10.17513/fr.42987.
3. Гуляев А.В. Применение вейвлет-преобразования и сингулярного спектрального анализа при декомпозиции временного ряда // Системы высокой доступности. 2024. № 2. С. 76–84. DOI: 10.18127/j20729472-202402-06.
4. Поршнев С.В., Рабайа Ф. Исследование особенностей применения метода сингулярного спектрального анализа в задаче анализа и прогнозирования временных рядов: Монография. Ульяновск: Зебра. 2016.
5. Вильданов Н.Р., Емалетдинова Л.Ю. Обзор методов прогнозирования элементов временного ряда // Сб. материалов X Междунар. науч.-практич. конф. «Развитие науки и практики в глобально меняющемся мире в условиях рисков». М.: ООО «ИРОК». 2022. С. 114–119. DOI: 10.34755/IROK.2022.65.53.022.
6. Mahjoub S., Chrifi-Alaoui L., Marhic B. et al. Predicting energy consumption using LSTM, multi-layer GRU and drop-GRU neural networks // Sensors. 2022. V. 22. № 11. P. 4062. DOI: 10.3390/s22114062.
7. Arulmurugan A. et al. A model for predicting E-Commerce product returns using hybrid CNN-GRU // International Journal on Recent and Innovation Trends in Computing and Communication. 2023. V. 11. № 9. P. 3615–3619. DOI: 10.17762/ijritcc.v11i9.9583.
8. Jang J., Han J., Leigh S.B. Prediction of heating energy consumption with operation pattern variables for non-residential buildings using LSTM networks // Energy and Buildings. 2022. V. 255. P. 111647. DOI: 10.1016/j.enbuild.2021.111647.
9. Mandal U., Chakraborty A., Mahato Ph. et al. Bogaba: a novel hybrid deep learning model for time series forecasting using sentiment analysis // Indian Journal of Computer Science and Engineering. 2023. V. 14. № 1. P. 130–145. DOI: 10.21817/indjcse/2023/v14i1/ 231401121.
10. Nagdiya A., Kapoor V., Tokekar V. A hybrid deep learning model for accurate time series forecasting of cryptocurrencies // Journal of Information and Optimization Sciences. 2024. V. 45. № 4. P. 1061–1072. DOI: 10.47974/jios-1691.