Задонский И.Д.
ИИ В ПРОГНОЗИРОВАНИИ ВРЕМЕННЫХ РЯДОВ: НОВЫЕ ПОДХОДЫ К АНАЛИЗУ НЕЛИНЕЙНЫХ ДАННЫХ *
Аннотация:
в статье исследуются современные методы применения искусственного интеллекта (ИИ) для прогнозирования временных рядов с акцентом на нелинейные данные. Рассматриваются ограничения традиционных подходов, таких как ARIMA, и преимущества алгоритмов машинного и глубокого обучения, включая рекуррентные нейронные сети (RNN), сети с долгой краткосрочной памятью (LSTM) и трансформеры. Особое внимание уделяется новым архитектурам, таким как Temporal Convolutional Networks (TCN), и гибридным моделям. Приводятся примеры применения в финансах, климатологии и промышленности, а также анализируются вызовы: переобучение, интерпретируемость и вычислительная сложность. Математические обоснования включены там, где они необходимы для понимания методов. Статья подчеркивает важность исследований в области интерпретируемости и адаптивности моделей для повышения точности прогнозов.
Ключевые слова:
прогнозирование, временные ряды, искусственный интеллект, нелинейные данные, машинное обучение
Введение.Прогнозирование временных рядов — это искусство предсказания будущего, которое затрагивает экономику, климатологию, энергетику и промышленность. Временные ряды, представляющие последовательности данных, часто содержат нелинейные закономерности, усложняющие анализ традиционными методами. С развитием ИИ открываются возможности для создания более точных и гибких прогнозов. Эта статья исследует, как ИИ трансформирует прогнозирование нелинейных временных рядов, раскрывая преимущества и ограничения современных подходов, от классических методов до передовых нейронных сетей, и обозначая направления для будущих исследований. Математические обоснования используются для пояснения ключевых концепций, где это необходимо.Теоретические основы прогнозирования временных рядов.Временные ряды — это последовательности наблюдений, упорядоченных по времени, которые могут быть унивариантными или мультивариантными. Они характеризуются трендами, сезонностью, шумом и нелинейными зависимостями. Традиционные методы, такие как авторегрессионные интегрированные модели скользящего среднего (ARIMA), хорошо подходят для линейных данных, но их эффективность снижается при работе с нелинейными временными рядами. Например, ARIMA требует стационарности, достигаемой через дифференцирование, и плохо справляется с резкими изменениями трендов. Экспоненциальное сглаживание также ограничено в обработке сложных паттернов. Эти недостатки подчеркивают необходимость применения ИИ, который лучше улавливает нелинейные зависимости и работает с мультивариантными данными без строгих предположений о их структуре.Подходы ИИ к прогнозированию временных рядов.Искусственный интеллект открывает новые горизонты в прогнозировании временных рядов, предлагая инструменты, способные справляться с нелинейными и мультивариантными данными. Эти подходы включают методы машинного и глубокого обучения, каждый из которых вносит уникальный вклад в анализ сложных временных рядов. Рассмотрим ключевые подходы более детально, подкрепляя их математическими и концептуальными обоснованиями.Методы машинного обучения: Алгоритмы, такие как градиентный бустинг (XGBoost, LightGBM) и случайный лес, эффективны для задач прогнозирования благодаря их способности обрабатывать сложные зависимости. Эти методы требуют преобразования временных рядов в набор признаков, таких как лаговые переменные (
Номер журнала Вестник науки №6 (87) том 3
Ссылка для цитирования:
Задонский И.Д. ИИ В ПРОГНОЗИРОВАНИИ ВРЕМЕННЫХ РЯДОВ: НОВЫЕ ПОДХОДЫ К АНАЛИЗУ НЕЛИНЕЙНЫХ ДАННЫХ // Вестник науки №6 (87) том 3. С. 1740 - 1747. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/24423 (дата обращения: 13.01.2026 г.)
Вестник науки © 2025. 16+