МЕТОД АДАПТИВНОГО ПРОГНОЗИРОВАНИЯ ДАННЫХ, ЗАВИСЯЩИХ ОТ ВРЕМЕНИ, НА ОСНОВЕ LSTM-МОДЕЛЕЙ С ИСПОЛЬЗОВАНИЕМ КЛАСТЕРИЗАЦИИ ВРЕМЕННЫХ РЯДОВ
Авторы:
1.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
Тип:
Статья
Страницы:
с 70
по 78
Статус:
В работе
Язык материала:
русский
Ключевые слова:
ВРЕМЕННЫЕ РЯДЫ, ПАРАМЕТРИЗАЦИЯ, СТАТИСТИЧЕСКИЕ ХАРАКТЕРИСТИКИ, СПЕКТРАЛЬНЫЕ ХАРАКТЕРИСТИКИ, КЛАСТЕРИЗАЦИЯ, ПРОГНОЗИРОВАНИЕ, КЛАССИФИКАЦИЯ, АНАЛИЗ ДАННЫХ, ОБУЧЕНИЕ МОДЕЛЕЙ
Аннотация (русский):
В статье представлен метод адаптивного прогнозирования временных рядов, зависящих от времени, с использованием параметризации, кластеризации и моделей глубокого обучения. Основной целью исследования является повышение точности предсказания временных рядов путем выделения ключевых характеристик данных и создания специализированных моделей для различных групп данных. Предложенный метод включает несколько этапов. В первую очередь выполняется параметризация временных рядов, в ходе которой исходные данные представляются в виде векторов признаков, описывающих их основные статистические и спектральные характеристики (среднее, дисперсия, количество пиков, коэффициенты ARIMA и другие). Затем осуществляется кластеризация временных рядов с помощью алгоритма DBSCAN, что позволяет разделить данные на группы со схожими характеристиками. Для каждой из полученных групп обучается индивидуальная модель на основе рекуррентных нейронных сетей (LSTM), что позволяет учитывать нелинейные зависимости и временную структуру данных. Метод был протестирован на медицинских данных, полученных с инсулиновых помп, фиксирующих уровень глюкозы в крови. Результаты показали, что предложенный подход значительно повышает точность прогнозирования по сравнению с традиционными методами, такими как LSTM без кластеризации или методы на основе евклидова расстояния. Эксперименты подтвердили, что использование параметризации и кластеризации позволяет улучшить адаптивность моделей и повысить точность прогнозов до 95% и выше. Данный подход может быть полезен в различных областях, включая медицину, финансы и энергетику, где требуется точное прогнозирование временных рядов в условиях высокой изменчивости данных.
В статье представлен метод адаптивного прогнозирования временных рядов, зависящих от времени, с использованием параметризации, кластеризации и моделей глубокого обучения. Основной целью исследования является повышение точности предсказания временных рядов путем выделения ключевых характеристик данных и создания специализированных моделей для различных групп данных. Предложенный метод включает несколько этапов. В первую очередь выполняется параметризация временных рядов, в ходе которой исходные данные представляются в виде векторов признаков, описывающих их основные статистические и спектральные характеристики (среднее, дисперсия, количество пиков, коэффициенты ARIMA и другие). Затем осуществляется кластеризация временных рядов с помощью алгоритма DBSCAN, что позволяет разделить данные на группы со схожими характеристиками. Для каждой из полученных групп обучается индивидуальная модель на основе рекуррентных нейронных сетей (LSTM), что позволяет учитывать нелинейные зависимости и временную структуру данных. Метод был протестирован на медицинских данных, полученных с инсулиновых помп, фиксирующих уровень глюкозы в крови. Результаты показали, что предложенный подход значительно повышает точность прогнозирования по сравнению с традиционными методами, такими как LSTM без кластеризации или методы на основе евклидова расстояния. Эксперименты подтвердили, что использование параметризации и кластеризации позволяет улучшить адаптивность моделей и повысить точность прогнозов до 95% и выше. Данный подход может быть полезен в различных областях, включая медицину, финансы и энергетику, где требуется точное прогнозирование временных рядов в условиях высокой изменчивости данных.
Ключевые слова:
ВРЕМЕННЫЕ РЯДЫ, ПАРАМЕТРИЗАЦИЯ, СТАТИСТИЧЕСКИЕ ХАРАКТЕРИСТИКИ, СПЕКТРАЛЬНЫЕ ХАРАКТЕРИСТИКИ, КЛАСТЕРИЗАЦИЯ, ПРОГНОЗИРОВАНИЕ, КЛАССИФИКАЦИЯ, АНАЛИЗ ДАННЫХ, ОБУЧЕНИЕ МОДЕЛЕЙ
ВРЕМЕННЫЕ РЯДЫ, ПАРАМЕТРИЗАЦИЯ, СТАТИСТИЧЕСКИЕ ХАРАКТЕРИСТИКИ, СПЕКТРАЛЬНЫЕ ХАРАКТЕРИСТИКИ, КЛАСТЕРИЗАЦИЯ, ПРОГНОЗИРОВАНИЕ, КЛАССИФИКАЦИЯ, АНАЛИЗ ДАННЫХ, ОБУЧЕНИЕ МОДЕЛЕЙ
