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!
|
| _version_ | 1850104041626927104 |
|---|---|
| author | А. И. Платонова В. С. Попов |
| author_facet | А. И. Платонова В. С. Попов |
| author_sort | А. И. Платонова |
| collection | DOAJ |
| description |
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.
|
| format | Article |
| id | doaj-art-2e9809134d574aa8b591db35552ff9d3 |
| institution | DOAJ |
| issn | 2782-2826 2782-2818 |
| language | English |
| publishDate | 2025-06-01 |
| publisher | Siberian Scientific Centre DNIT |
| record_format | Article |
| series | Современные инновации, системы и технологии |
| spelling | doaj-art-2e9809134d574aa8b591db35552ff9d32025-08-20T02:39:25ZengSiberian Scientific Centre DNITСовременные инновации, системы и технологии2782-28262782-28182025-06-015210.47813/2782-2818-2025-5-2-3061-3070Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRUА. И. ПлатоноваВ. С. Попов 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. https://oajmist.com/index.php/12/article/view/362временные рядымодели прогнозированияARIMAProphetLSTMGRU |
| spellingShingle | А. И. Платонова В. С. Попов Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU Современные инновации, системы и технологии временные ряды модели прогнозирования ARIMA Prophet LSTM GRU |
| title | Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU |
| title_full | Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU |
| title_fullStr | Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU |
| title_full_unstemmed | Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU |
| title_short | Сравнение точности моделей прогнозирования временных рядов: ARIMA, Prophet, LSTM и GRU |
| title_sort | сравнение точности моделей прогнозирования временных рядов arima prophet lstm и gru |
| topic | временные ряды модели прогнозирования ARIMA Prophet LSTM GRU |
| url | https://oajmist.com/index.php/12/article/view/362 |
| work_keys_str_mv | AT aiplatonova sravnenietočnostimodelejprognozirovaniâvremennyhrâdovarimaprophetlstmigru AT vspopov sravnenietočnostimodelejprognozirovaniâvremennyhrâdovarimaprophetlstmigru |