Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU
В статье представлен подробный сравнительный анализ точности прогнозирования временных рядов с использованием классических и современных методов машинного обучения. Исследуются четыре модели: ARIMA (модель авторегрессии интегрированного скользящего среднего), Prophet (библиотека для прогнозирования...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Siberian Scientific Centre DNIT
2025-06-01
|
| Series: | Современные инновации, системы и технологии |
| Subjects: | |
| Online Access: | https://oajmist.com/index.php/12/article/view/362 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | В статье представлен подробный сравнительный анализ точности прогнозирования временных рядов с использованием классических и современных методов машинного обучения. Исследуются четыре модели: ARIMA (модель авторегрессии интегрированного скользящего среднего), Prophet (библиотека для прогнозирования с учетом трендов и сезонности), LSTM (долгая краткосрочная память) и GRU (управляемые рекуррентные блоки). Основное внимание уделяется оценке их эффективности в зависимости от объема данных и горизонта прогнозирования. Для сравнения применяются стандартные метрики качества: MAE, MSE, RMSE, MAPE, MASE и R2. Результаты показывают, что ARIMA и Prophet демонстрируют высокую устойчивость на малых выборках, тогда как GRU и LSTM превосходят их при работе с большими объемами данных. GRU превосходит все модели по точности для среднесрочных прогнозов, при этом имеет высокую производительность и меньшую вычислительную сложностью по сравнению с LSTM. На основе проведенного анализа даются практические рекомендации по выбору оптимальной модели в зависимости от специфики задачи, данных и требуемого горизонта прогнозирования. Исследование может быть полезно специалистам в области анализа данных, прогнозирования и машинного обучения.
|
|---|---|
| ISSN: | 2782-2826 2782-2818 |