аспирант
Россия
Россия
Цель: провести анализ исходных данных, определить пропуски и выбросы в данных, разделить данные на временные интервалы, вычислить коэффициенты корреляции, частичной автокорреляции, кросс-корреляции, проанализировать тренд и сезонность полученных временных рядов. Используя авторегрессионные модели, модели машинного обучения, нейронечеткие модели, построить прогнозы временного ряда и определить качество полученных прогнозов. Методы: плотность точек, автокорреляция, частичная автокорреляция, кросс-корреляция, тест Фостера — Стюарта, тест Дикки — Фуллера, ARMA, SARMA, MLP, Encoder-Decoder LTSM, TSK, Fuzzy-Partitions, SCRG, Transformers. Результаты: получены оценки точности прогнозов выбранных моделей, сопоставлены результаты работы прогнозных моделей обученных на разных выборках исходных данных. Сделаны выводы об эффективности использования исследуемых прогнозных моделей. Практическая значимость: исследована способность выбранных моделей к построению краткосрочных прогнозов количества вагонов на станции, проанализированы факторы, влияющие на точность получаемых прогнозов.
нечеткие нейронные сети, нейронные сети, авторегрессионные модели, анализ работы станции, прогнозирование
1. Ламехов В. А. Алгоритм построения прогнозной модели транспортно-логистической деятельности на основе применения нечетких нейронных сетей / В. А. Ламехов, Е.К. Коровяковский // Бюллетень результатов научных исследований. 2022. №3. С. 137– 150. DOI:https://doi.org/10.20295/2223-9987-2022-3-137-150.
2. Свидетельство о государственной регистрации программы для ЭВМ № 2022684797 Российская Федерация. Программа автоматизированного определения количества нечетких правил и параметров антецедентов и консеквентов нечетких нейронных сетей типа TSK: № 2022684298: заявл. 07.12.2022: опубл. 19.12.2022 / В. А. Ламехов; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Петербургский государственный университет путей сообщения Императора Александра I».
3. Dolgopolov P., Konstantinov D., Rybalchenko L., et al. Optimization of train routes based on neuro-fuzzy modeling and genetic algorithms. Procedia Comput Sci, 2019. 149, 11–18. DOI:https://doi.org/10.1016/j.procs.2019.01.101.
4. Ermakova A. V. Application of fuzzy mathematics for choosing maintenance intervals for non-public railway tracks / A. V. Ermakova // Nexo Revista Científica. 2021. Vol. 34, no. 6. P. 1885–1891. DOI: 10.5377/ nexo.v34i06.13194. EDN DBYXRY.
5. Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and Machine Learning forecasting methods : Concerns and ways forward. PLoS ONE, 2018. 13 (3) : e0194889. DOI:https://doi.org/10.1371/journal.pone.0194889.
6. Cárdenas J. J., García A., Romeral J. L., et al. Evolutive ANFIS training for energy load profile forecast for an IEMS in an automated factory. ETFA. 2011. P. 1–8. doi:https://doi.org/10.1109/ETFA.2011.6059079.
7. Zhou Y., Guo S., Chang F. Explore an evolutionary recurrent ANFIS for modelling multi-step-ahead flood forecasts. Journal of Hydrology, 2019.
8. Wei C., Chen T. and Lee S. k-NN Based Neurofuzzy System for Time Series Prediction, 2013 14th ACIS International Conference on Software Engineering, Artificial Intelligence, Networking and Parallel/ Distributed Computing. 2013. P. 569–574. DOI: https://doi.org/10.1109/SNPD.2013.68.
9. Pousinho H. M.I., Mendes V.M. F., Catalão J. P. S. A hybrid PSO-ANFIS approach for short-term wind power prediction in Portugal, Energy Conversion and Management. 2011. Vol. 52, iss. 1. P. 397–402. ISSN 0196–8904.
10. Zeng, A., Chen, M., Zhang, L., et al. Are Transformers Effective for Time Series Forecasting? AAAI Conference on Artificial Intelligence, 2022. DOI: https://doi.org/10.48550/arXiv.2205.13504
