ИСПОЛЬЗОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ: СОВРЕМЕННЫЕ ПОДХОДЫ И ПЕРСПЕКТИВЫ

Статья рассматривает использование методов машинного обучения для прогнозирования временных рядов, что яв- ляется важной задачей в различных областях, таких как экономика, финансы, метеорология и бизнес-аналитика. Традиционные статистические методы, включая модели ARIMA, показали ограниченную применимость при работе с нелинейными временными данными. В связи с этим современные подходы, основанные на машинном обучении, приобрели большое значение. Основное внимание в статье уделено таким методам, как искусственные нейронные сети, регрессия ближайших соседей и машины опорных векторов, которые демонстрируют высокую точность и устойчивость при работе с большими объемами данных. Цель исследования заключается в анализе существующих подходов к прогнозированию временных рядов с использованием машинного обучения, выявлении преимуществ и недостатков различных алгоритмов, а также в обсуждении методов для одношагового и многошагового прогнозирования. Статья подчеркивает значимость локального обучения как гибкого инструмента для работы с нестационарными данными и предлагает перспективы для дальнейшего развития в этой области.