ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ ПРОГНОЗИРОВАНИЯ СМЕШАННЫХ ВРЕМЕННЫХ РЯДОВ С ИСПОЛЬЗОВАНИЕМ КЛАСТЕРИЗАЦИИ
Авторы:
1.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
Тип:
Статья
Страницы:
с 103
по 110
Статус:
В работе
Язык материала:
русский
Ключевые слова:
ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ, ПРОГРАММНЫЙ КОМПЛЕКС, КЛАСТЕРИЗАЦИЯ, DBSCAN, LSTM, ПРЕДОБРАБОТКА ДАННЫХ, ПАРАМЕТРИЗАЦИЯ ВРЕМЕННЫХ РЯДОВ, МАШИННОЕ ОБУЧЕНИЕ, ASP.NET CORE, PYTHON
Аннотация (русский):
В статье представлен программный комплекс для прогнозирования временных рядов, основанный на методах кластеризации и глубокого обучения. Комплекс включает контроллер управления, модули предобработки данных, параметризации временных рядов, кластеризации с использованием алгоритма DBSCAN, а также прогнозирования с применением рекуррентных нейронных сетей LSTM. Важной особенностью является параметризация временных рядов перед кластеризацией, что позволяет выделять ключевые статистические и спектральные характеристики данных, такие как среднее, дисперсия, коэффициенты ARIMA, тренд, количество пиков и впадин. Применение алгоритма кластеризации DBSCAN обеспечивает автоматическое формирование кластеров без необходимости заранее задавать их количество, что делает алгоритм более гибким и устойчивым к шуму. Использование отдельных моделей LSTM для каждого кластера позволяет учитывать специфические закономерности данных внутри группы, повышая точность предсказаний. Реализация выполнена на Python и ASP.NET Core, что упрощает интеграцию в различные информационные системы и обеспечивает кроссплатформенность. В статье подробно рассматриваются архитектура программного комплекса, его функциональные возможности, алгоритмы обработки данных и методология прогнозирования. Проведённые эксперименты на реальных данных подтвердили эффективность предложенного подхода, демонстрируя снижение ошибки прогноза за счёт предварительной кластеризации временных рядов. Разработанное решение может быть полезно в экономике, медицине, промышленности, энергетике и других областях, где требуется высокая точность прогнозирования. Статья будет полезна разработчикам, работающим с машинным обучением, анализом временных рядов, а также исследователям, изучающим современные методы интеллектуального анализа данных и их практическое применение.
В статье представлен программный комплекс для прогнозирования временных рядов, основанный на методах кластеризации и глубокого обучения. Комплекс включает контроллер управления, модули предобработки данных, параметризации временных рядов, кластеризации с использованием алгоритма DBSCAN, а также прогнозирования с применением рекуррентных нейронных сетей LSTM. Важной особенностью является параметризация временных рядов перед кластеризацией, что позволяет выделять ключевые статистические и спектральные характеристики данных, такие как среднее, дисперсия, коэффициенты ARIMA, тренд, количество пиков и впадин. Применение алгоритма кластеризации DBSCAN обеспечивает автоматическое формирование кластеров без необходимости заранее задавать их количество, что делает алгоритм более гибким и устойчивым к шуму. Использование отдельных моделей LSTM для каждого кластера позволяет учитывать специфические закономерности данных внутри группы, повышая точность предсказаний. Реализация выполнена на Python и ASP.NET Core, что упрощает интеграцию в различные информационные системы и обеспечивает кроссплатформенность. В статье подробно рассматриваются архитектура программного комплекса, его функциональные возможности, алгоритмы обработки данных и методология прогнозирования. Проведённые эксперименты на реальных данных подтвердили эффективность предложенного подхода, демонстрируя снижение ошибки прогноза за счёт предварительной кластеризации временных рядов. Разработанное решение может быть полезно в экономике, медицине, промышленности, энергетике и других областях, где требуется высокая точность прогнозирования. Статья будет полезна разработчикам, работающим с машинным обучением, анализом временных рядов, а также исследователям, изучающим современные методы интеллектуального анализа данных и их практическое применение.
Ключевые слова:
ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ, ПРОГРАММНЫЙ КОМПЛЕКС, КЛАСТЕРИЗАЦИЯ, DBSCAN, LSTM, ПРЕДОБРАБОТКА ДАННЫХ, ПАРАМЕТРИЗАЦИЯ ВРЕМЕННЫХ РЯДОВ, МАШИННОЕ ОБУЧЕНИЕ, ASP.NET CORE, PYTHON
ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ, ПРОГРАММНЫЙ КОМПЛЕКС, КЛАСТЕРИЗАЦИЯ, DBSCAN, LSTM, ПРЕДОБРАБОТКА ДАННЫХ, ПАРАМЕТРИЗАЦИЯ ВРЕМЕННЫХ РЯДОВ, МАШИННОЕ ОБУЧЕНИЕ, ASP.NET CORE, PYTHON
