Взвешенная ансамблевая модель, сочетающая ARIMA, LSTM и GBM для надежного прогнозирования временных рядов

Вигнеш А., Виджаялакшми Н. Взвешенная ансамблевая модель, сочетающая ARIMA, LSTM и GBM для надежного прогнозирования временных рядов // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 6. С. 1150–1159. (на англ. яз.). doi: 10.17586/2226-1494-2025-25-6-1150-1159

Прогнозирование временных рядов используется в исследованиях и приложениях в ряде областей, таких как прогнозирование состояния окружающей среды, здравоохранение, финансы, управление цепочками поставок и энергопотребление. Точное прогнозирование будущих значений необходимо для стратегического планирования, эффективности работы и принятия обоснованных решений относительно переменных, зависящих от времени. Предлагается гибридная архитектура прогнозирования временных рядов, сочетающая в себе сильные стороны машинного обучения и статистических моделей, в частности сетей градиентного бустинга (Gradient Boosting Machines, GBM), авторегрессионных интегрированных скользящих средних (Auto-Regressive Integrated Moving Average, ARIMA) и сетей с долговременной краткосрочной памятью (Long Short-Term Memory, LSTM). В то время как сети LSTM и GBM способны улавливать сложные и нелинейные закономерности, модель ARIMA фиксирует линейные компоненты временных рядов. Гибридная модель использует интерпретируемость ARIMA, временную память LSTM и эффективность ансамблевого обучения GBM, интегрируя эти три модели. Комплексные эксперименты, проведенные на эталонных наборах данных, показали, что точность и надежность прогнозов предлагаемой гибридизации значительно превосходят как отдельные модели, так и традиционные базовые. Результаты показывают, что для различных реальных приложений гибридные архитектуры могут обеспечивать надежные и точные прогнозы временных рядов.

1. Aghemo C., Blaso L., Pellegrino A. Building automation and control systems: A case study to evaluate the energy and environmental performances of a lighting control system in offices // Automation in Construction. 2014. V. 43. P. 10–22. https://doi.org/10.1016/j.autcon.2014.02.015

2. Arumugam V., Natarajan V. Time series modeling and forecasting using Autoregressive Integrated Moving Average and Seasonal Autoregressive Integrated Moving Average models // Instrumentation Mesure Métrologie. 2023. V. 22. N 4 P. 161–168. https://doi.org/10.18280/i2m.220404

3. Beard E., Marsden J., Brown J., Tombor I., Stapleton J., Michie S., West R. Understanding and using time series analyses in addiction research // Addiction. 2019. V. 114. N 10. P. 1866–1884. https://doi.org/10.1111/add.14643

4. Bernal J.L., Soumerai S., Gasparrini A. A methodological framework for model selection in interrupted time series studies // Journal of Clinical Epidemiology. 2018. V. 103. P. 82–91. https://doi.org/10.1016/j.jclinepi.2018.05.026

5. Chou J.-S., Tran D.-S. Forecasting energy consumption time series using machine learning techniques based on usage patterns of residential householders // Energy. 2018. V. 165. Part B. P. 709–726. https://doi.org/10.1016/j.energy.2018.09.144

6. Chujai P., Kerdprasop N., Kerdprasop K. Time series analysis of household electric consumption with ARIMA and ARMA models // Proc. of the International MultiConference of Engineers and Computer Scientists (IMECS). 2013. V. 1. P. 1–6.

7. Corry E., Pauwels P., Hu S., Keane M., O’Donnell J. A performance assessment ontology for the environmental and energy management of buildings // Automation in Construction. 2015. V. 57. P. 249–259. https://doi.org/10.1016/j.autcon.2015.05.002

8. Dey P., Chaulya S.K., Kumar S. Hybrid CNN-LSTM and IoT-based coal mine hazards monitoring and prediction system // Process Safety and Environmental Protection. 2021. V. 152. P. 249–263. https://doi.org/10.1016/j.psep.2021.06.005

9. Hu Y., Peng L., Li X., Yao X., Lin H., Chi T. A novel evolution tree for analyzing the global energy consumption structure // Energy. 2018. V. 147. P. 1177–1187. https://doi.org/10.1016/j.energy.2018.01.093

10. Li K., Huang W., Hu G., Li J. Ultra-short term power load forecasting based on CEEMDAN-SE and LSTM neural network // Energy and Buildings. 2023. V. 279. P. 112666. https://doi.org/10.1016/j.enbuild.2022.112666

11. Lee Y.-S., Tong L.-I. Forecasting energy consumption using a grey model improved by incorporating genetic programming // Energy Conversion and Management. 2011. V. 52. N 1. P. 147–152. https://doi.org/10.1016/j.enconman.2010.06.053

12. Liboschik T., Fokianos K., Fried R. tscount: An R package for analysis of count time series following generalized linear models // Journal of Statistical Software. 2017. V. 82. N 5. P. 1–51. https://doi.org/10.18637/jss.v082.i05

13. Zhao N., Zhang H., Yang X., Yan J., You F. Emerging information and communication technologies for smart energy systems and renewable transition // Advances in Applied Energy. 2023. V. 9. N 100125. https://doi.org/10.1016/j.adapen.2023.100125

14. Peleg R., R. Weiss, A. Hoogi A. Leveraging the triple exponential moving average for fast-adaptive moment estimation // arXiv. 2023. arXiv:2306.01423v1. https://doi.org/10.48550/arXiv.2306.01423

15. Pérez-Lombard L., Ortiz J., Pout C. A review on buildings energy consumption information // Energy and Buildings. 2008. V. 40. N 3. P. 394–398. https://doi.org/10.1016/j.enbuild.2007.03.007

16. Pomorski P., Gorse D. Improving on the Markov-switching regression model by the use of an adaptive moving average // Springer Proceedings in Business and Economics. 2023. P. 17–30. https://doi.org/10.1007/978-3-031-23844-4_2

17. Mehtab S., Sen J. Stock price prediction using CNN and LSTM-based deep learning models // Proc. of the International Conference on Decision Aid Sciences and Application (DASA). 2020. P. 447–453. https://doi.org/10.1109/DASA51403.2020.9317207

18. Saleti S., Panchumarthi L.Y., Kallam Y.R., Parchuri L., Jitte S. Enhancing forecasting accuracy with a moving average-integrated hybrid ARIMA-LSTM model // SN Computer Science. 2024. V. 5. N 6. P. 704. https://doi.org/10.1007/s42979-024-03060-4

19. Xue S., Chen H., Zheng X. Detection and quantification of anomalies in communication networks based on LSTM-ARIMA combined model // International Journal of Machine Learning and Cybernetics. 2022. V. 13. N 10. P. 3159–3172. https://doi.org/10.1007/s13042-022-01586-8

20. Thangarajan B., Nagaraja M.S., Dhandra B.V. A novel hybrid model for time series forecasting using artificial neural network and autoregressive integrated moving average models // Trends in Mathematics. 2024. Part F2357. P. 747–754. https://doi.org/10.1007/978-3-031-41420-6_62

21. He W., King M., Luo X., Dooner M., Li D., Wang J. Technologies and economics of electric energy storages in power systems: Review and perspective // Advances in Applied Energy, 2021. V. 4. P. 100060. https://doi.org/10.1016/j.adapen.2021.100060

22. Xu W., Peng H., Zeng X., Zhou F., Tian X., Peng X. Deep belief network-based AR model for nonlinear time series forecasting // Applied Soft Computing. 2019. V. 77. P. 605–621. https://doi.org/10.1016/j.asoc.2019.02.006

23. Yip S.-C., Wong K., Hew W.-P., Gan M.-T., Phan R.C.W., Tan S.-W. Detection of energy theft and defective smart meters in smart grids using linear regression // International Journal of Electrical Power & Energy Systems. 2017. V. 91. P. 230–240. https://doi.org/10.1016/j.ijepes.2017.04.005

24. Young J.M., Stacey I., Dobbins T.A., Dunlop S., Dessaix A.L., Currow D.C. Association between tobacco plain packaging and Quitline calls: A population-based, interrupted time-series analysis // Medical Journal of Australia. 2014. V. 200. N 1. P. 29–32. https://doi.org/10.5694/mja13.11070

25. Zhou S., Wu Z., Li J., Zhang X.-P. Real-time energy control approach for smart home energy management system // Electric Power Components and Systems. 2014. V. 42. N 3–4. P. 315–326. https://doi.org/10.1080/15325008.2013.862322

26. Gidon J.S., Borah J., Sahoo S., Majumdar S. Neural network approaches for enhanced landslide prediction: A comparative study for Mawiongrim, Meghalaya, India // Natural Hazards. 2025. V. 121. N 3. P. 3677–3699. https://doi.org/10.1007/s11069-024-06948-9

27. Gidon J.S., Borah J., Sahoo S., Majumdar S., Fujita M. Bidirectional LSTM model for accurate and real-time landslide detection: A case study in Mawiongrim, Meghalaya, India // IEEE Internet of Things Journal. 2024. V. 11. N 3. P. 3792–3800. https://doi.org/10.1109/JIOT.2023.3326203

28. Arumugam V., Natarajan V. Enhanced time series forecasting using hybrid ARIMA and machine learning models // Indonesian Journal of Electrical Engineering and Computer Science. 2025. V. 38. N 3 P. 1970–1979. https://doi.org/10.11591/ijeecs.v38.i3.pp1970-1979

29. Nadzir M.S.M., Rabuan U., Ali S.H.M., Borah J., Majumdar S., Rohmad M.S. Drone-based air quality monitoring: Development and evaluation of low-cost PM2.5 sensor for remote environmental assessment // Sensors and Materials. 2025. V. 37. N. 6. P. 2153–2171. https://doi.org/10.18494/sam5449

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License