Сравнительный анализ нейросетевых и ARIMA-моделей для прогнозирования временных рядов: оценка эффективности и применимости
Автор: Раскатова Марина Викторовна, Терелецкова Есения Евгеньевна, Сало Анна Андреевна, Челышев Эдуард Артурович
Рубрика: Информатика и вычислительная техника
Статья в выпуске: 1, 2024 года.
Бесплатный доступ
В статье проводится сравнительный анализ нейросетевых и ARIMA-моделей для прогнозирования временных рядов. Оценивается их эффективность и применимость в различных сценариях прогнозирования. Нейросетевые модели, такие как многослойные персептроны и сверточные нейронные сети, обладают высокой гибкостью и способностью улавливать сложные нелинейные взаимосвязи в данных. ARIMA-модели (авторегрессионные интегрированные скользящие средние) предназначены для прогнозирования стационарных временных рядов и часто используются для прогнозирования экономических и финансовых данных. В статье описаны теоретические понятия ARIMA-модели и нейросетевой модели, указаны виды нейросетевых моделей: персептрон, многослойный персептрон, рекуррентные нейронные сети, сверточные нейронные сети и глубокие нейронные сети. Также указаны иные модели прогнозирования: SARIMA и SARIMAX. Для сравнения этих двух моделей применена программа STATISTICA. Также в статье оценена точность двух моделей для различных сценариев прогнозирования с помощью ошибки MAPE.
Нейронные сети, прогнозирование, прогнозирование временных рядов, arima-модель, нейросетевая модель, ошибка mape
Короткий адрес: https://sciup.org/148328277
IDR: 148328277 | DOI: 10.18137/RNU.V9187.24.01.P.110
Список литературы Сравнительный анализ нейросетевых и ARIMA-моделей для прогнозирования временных рядов: оценка эффективности и применимости
- Горяев В.М., Бембитов Д.Б., Мучкаев Д.Н., Аль-Килани В.Х. Модель SARIMA и статистика скользящего окна для локальных метеоданных // Современные наукоемкие технологии. 2019. № 6. С. 31–38. EDN IBKFMX.
- Минасян Д.Г. Моделирование банковской стабильности Армении с помощью ARIMA // Регион и мир. 2023. Т. 14. № 4 (47). С. 108–114. EDN WEAOGF .
- Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: учеб. пособие. 2-е изд. М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. 400 c. ISBN 5-7038-2554-7.
- Солдатова О.П. Нейроинформатика: учеб. пособие. Самара: Изд-во СГАУ им. С.П. Королева, 2013. 130 с.
- Гафаров Ф.М., Галимянов А.Ф.. Искусственные нейронные сети и их приложения: учеб. пособие. Казань: Изд-во Казанского университета, 2018. 120 с.
- Вакуленко С.А., Жихарева А.А. Практический курс по нейронным сетям: учеб. пособие. СПб.: Университет ИТМО, 2018. 71 с.
- Маршалко Д. А., Кубанских О. В. Архитектура свёрточных нейронных сетей // Ученые записки брянского государственного университета. 2019. № 4 (16). С. 10–13. EDN: HOC SSF
- Лемпицкий В. Глубокие нейронные сети: пути применения // ПостНаука. Дата публикации: 19.01.2021. URL: https://postnauka.org/longreads/155983 (дата обращения: 19.03.2024).
- Гребенюк Е.А., Малинкина А.В. Применение методов эконометрического анализа данных для идентификации и датирования «пузырей» на финансовых рынках // Проблемы управления. 2014. № 5. С. 50–58. EDN SULSDJ.
- Светуньков С.Г., Мацкевич В.В., Шайхлеева Н.И. Комплексная автокорреляционная функция в моделировании сложных экономических процессов // Неделя науки СПбПУ: материалы научной конференции с международным участием, 18–23 ноября 2019 г. Институт промышленного менеджмента, экономики и торговли. В 3 ч. Ч. 1. Высшая школа управления и бизнеса. СПб.: Санкт-Петербургский политехнический университет Петра Великого, 2019. С. 128–131. EDN YXU VTE.
- Пилюгина А.В., Бойко А.А. Определение оптимальных параметров модели экспоненциального сглаживания временного ряда для прогнозирования валютного курса // Прикаспийский журнал: управление и высокие технологии. 2016. № 1. С. 114–127. EDN VWXX EB.
- Медведева Н.И. Факторы, влияющие на уровень вероятности в реализации прогнозов социально-экономического развития // Эпоха науки. 2019. № 20. С. 404–405. EDN YSKPUN. DOI: 10.24411/2409-3203-2019-12080
- Трофимов П.Ю., Носков В.Ю. Прогнозирование временных рядов методом ARIMA // Теплотехника и информатика в образовании, науке и производстве: Сборник докладов VI Всероссийской научно-практической конференции студентов, аспирантов и молодых учёных (TИМ’2017) с международным участием, Екатеринбург, 11–12 мая 2017 года. Екатеринбург: Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, 2017. С. 260–262. EDN ZSQKTB.
