Нейросетевые методы прогнозирования в производственном секторе: MLP или RNN?
Автор: Д. С. Пономарев
Журнал: Informatics. Economics. Management - Информатика. Экономика. Управление.
Рубрика: Информатика, вычислительная техника
Статья в выпуске: 4 (2), 2025 года.
Бесплатный доступ
В статье рассматриваются методы глубокого обучения, применяемые для решения задач регрессии в производственном секторе. Основное внимание уделяется сравнению полносвязных нейронных сетей (MLP) и рекуррентных нейронных сетей (RNN, LSTM, GRU) в задачах прогнозирования ключевых показателей: объема производства, затрат, времени простоя оборудования, уровня брака и энергопотребления. Проведен анализ особенностей этих моделей, их преимуществ и ограничений в зависимости от структуры данных и их временных зависимостей. Рассматриваются практические примеры использования регрессионных моделей для оптимизации производственных процессов, бюджетного планирования и управления ресурсами. Особое внимание уделяется обработке исторических данных, включая временные ряды, а также вопросам выбора подходящей архитектуры нейронной сети в зависимости от поставленных задач. В статье приводятся рекомендации по применению MLP и RNN в различных сценариях, учитывающие вычислительные ресурсы, сложность реализации и эффективность прогнозирования. Сделан вывод о целесообразности использования MLP для задач с ограниченными временными зависимостями и RNN для анализа последовательных данных с выраженной динамикой. Полученные результаты могут быть полезны специалистам в области анализа данных, управления производством и планирования ресурсов.
Глубокое обучение, регрессия, нейронные сети, производственный сектор, прогнозирование
Короткий адрес: https://sciup.org/14132675
IDR: 14132675 | DOI: 10.47813/2782-5280-2025-4-2-3001-3006