КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ НЕСТАЦІОНАРНИХ ЧАСОВИХ РЯДІВ З ВИКОРИСТАННЯМ МОДЕЛЕЙ MLP ТА LSTM
DOI:
https://doi.org/10.26906/SUNZ.2023.1.091Ключові слова:
прогнозування часових рядів, обчислювальний інтелект, штучна нейрона мережа, багатошаровий персептрон, довга короткострокова пам’ять, M3-CompetitionАнотація
Актуальність. Рішення завдання прогнозування відіграє важливу роль у процесах стратегічного планування та оперативного управління у різних сферах господарчої діяльності. Формою прогнозування є прогнозування часових рядів, при якому актуальною проблемою залишається вибір доцільного методу серед сучасних засобів обчислювального інтелекту, таких як штучні нейронні мережі. Проблема вибору обумовлена великою кількістю параметрів та налаштувань, які залежать від особливостей прогнозованого часового ряду, та суттєво впливають на якість отриманого прогнозу. Метою даної роботи є аналіз методів короткострокового прогнозування нестаціонарних часових рядів з використанням моделей штучних нейронних мереж, таких як багатошаровий персептрон та довга короткострокова пам’ять. Об’єктом дослідження є процес прогнозування часових рядів. Предметом дослідження є використання моделей штучних нейронних мереж для короткострокового прогнозування. Результати. Експериментальні дослідження показали, що середня помилка при прогнозуванні за допомогою запропонованих засобів на 2-6% нижче у порівнянні з використанням поширених традиційних моделей. Висновок. Отримані результати підтверджують перевагу використання моделей MLP та LSTM перед прогнозуванням на основі методів, обраних для аналізу у M3-Competition.Завантаження
Посилання
Iorio C., Frasso G., Ambrosio A. (2016), “Parsimonious time series clustering using P-splines”, Expert Systems with Applications, № 52, pp. 26-38.
Yang J. (2006), “Power System Short-term Load Forecasting: Thesis for Ph.d degree”, Elektrotechnik und Informationstechnik der Technischen Universitat, Darmstadt, Germany, P. 139.
Korablev N.M., Ivaschenko G.S. (2014), “Parallel immune algorithm of short-term forecasting based on model of clonal selection”, Radio Electronics, Computer Science, Control, № 2. pp. 73-78, doi: doi.org/10.15588/1607-3274-2014-2-11
Ivaschenko G.S., Korablev N.M. (2014), “Time series forecasting on the basis of the case-based reasoning using the models of artificial immune systems”, System technologies, № 6(95), pp. 43-51, available at: http://nbuv.gov.ua/UJRN/st_2014_6_8
Ahmed N., Atiya A., Gayar N. (2010), “An Empirical Comparison of Machine Learning Models for Time Series Forecasting”, Econometric Reviews, № 29, pp. 594-621.
Makridakis S. (2000), “The M-3 Competition: Results, Conclusions and Implications”, International Journal of Forecasting, № 16, pp. 451-476.
Borghi P., Zakordonets O., Teixeira J. (2021), “A COVID-19 time series forecasting model based on MLP ANN”, Procedia Computer Science, № 181, pp. 940-947.
Namini S., Tavakoli N., Namin A. (2018), “A Comparison of ARIMA and LSTM in Forecasting Time Series”, 17th IEEE International Conference on Machine Learning and Applications.
Cao J., Li Z., Li J. (2019), “Financial time series forecasting model based on CEEMDAN and LSTM”, Physica A: Statistical Mechanics and its Applications, №. 519, pp. 127-139.
Vasily D., Matviychuk A., Datsenko N., Bezkorovainyi V., Azaryan A. (2020), “Machine learning approaches for financial time series forecasting”, Proceedings of the Selected Papers of the Special Edition of International Conference on Monitoring, Modeling & Management of Emergent Economy, № 2713, Odessa, Ukraine, pp. 434-450.
Hemmati A., Abdoos M., Akbar A. (2015), “Short term load forecasting using a hybrid intelligent method”, Knowledge-Based System, № 76, pp .139-147.
Mohammed A.S., Ivashchenko H., Filimonchuk T., Ivanisenko I., Barkovska O. (2020), "Green Hybrid Models Based on Clonal Selection and Case-based Reasoning for Short-term Time Series Forecasting", Journal of Green Engineering, Vol. 10, Issue 5. pp. 2139-2154, available at: http://www.jgenng.com/volume10-issue5.php
Hamzacebi C., Akay D., Kutay F. (2009), “Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting”, Expert Systems with Applications, № 36, pp. 3839-3844.
Voyant C., Nivet M., Paoli C., Muselli M., Notton G. (2014), “Meteorological time series forecasting based on MLP modelling using heterogeneous transfer functions”, Journal of Physics: Conference Series, № 574, Madrid, Spain, pp. 28-31.
Greff, K., Srivastava, R., Koutnik, J., Steunebrink, B., Schmidhuber, J. (2017), “LSTM: A Search Space Odyssey”, IEEE Transactions on Neural Networks and Learning Systems, № 28, pp. 2222-2232.
Su Y., Kuo C. (2019), “On extended long short-term memory and dependent bidirectional recurrent neural network”, Neurocomputing, № 356, pp. 151-161.
