Повышение точности моделей прогнозирования временных рядов с помощью метода скользящего окна
(Стр. 11-18)
Подробнее об авторах
Ндунги Ребекка
аспирант, факультет математики и компьютерных наук; Санкт-Петербургский государственный университет; г. Санкт-Петербург, Российская Федерация
St. Petersburg State University
Saint Petersburg, Russian Federation Блеканов Иван Станиславович кандидат технических наук, доцент; заведующий, кафедра технологий программирования; Санкт-Петербургский государственный университет; г. Санкт-Петербург, Российская Федерация
St. Petersburg State University
Saint Petersburg, Russian Federation Блеканов Иван Станиславович кандидат технических наук, доцент; заведующий, кафедра технологий программирования; Санкт-Петербургский государственный университет; г. Санкт-Петербург, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Данное исследование посвящено методам прогнозирования рынка труда ИТ-вакансий, в рамках которого изучаются вопросы выявления трендов, анализа остатков и сезонности временных рядов. В данном работе авторы основное внимание уделяют влиянию метода скользящего окна на модели прогнозирования временного ряда. Использование такого подхода предобработки данных направлен на повышение точности моделей машинного обучения для прогнозирования временных рядов. Рассматриваемый метод основывается на разбиении непрерывного временного ряда на множество последовательных и пересекающихся периодов с фиксированным размером, что позволяет моделям прогнозирования эффективно отслеживать временные характеристики. В работа был проведен эксперимент по оценке влияния использования метода скользящего окна в сочетании с различными моделями прогнозирования на качество прогноза ИТ-вакансий на наборе данных, содержащем 1 048 576 строк с информацией о вакансиях. В эксперименте в качестве моделей прогнозирования использовались LSTM, ARIMA, SARIMA и модель Холта. Для оценки качества моделей применялись метрики MSE, RMSE и MAE. Такое сочетание техники предобработки и модели обеспечивает устойчивость качества прогноза к чувствительности данных и адаптированность к резким изменениям в данных временного ряда, что значительно снижает ошибки прогнозирования по качественным показателям. Эксперимент показал, что модель LSTM оказалась наиболее эффективной благодаря способности более глубоко изучать сложные закономерности и выявлять долгосрочные зависимости, продемонстрировав прирост качества базовой модели с использованием метода скользящего окна по метрике MAE на 0,248 условные единицы, по MSE – на 2,649, по RMSE – на 0,162, по сравнению с базовой моделью (без скользящего окна). Таким образом, авторы работы показывают, что методы скользящего окна весьма полезны для построения устойчивых и адаптивных моделей прогнозирования.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Ндунги Р., Блеканов И.С. Повышение точности моделей прогнозирования временных рядов с помощью метода скользящего окна // Computational Nanotechnology. 2025. Т. 12. № 2. С. 11-18. DOI: 10.33693/2313-223X-2025-12-2-11-18. EDN: QFHIYD
Список литературы:
Alsharef A., Aggarwal K., Garg S. et al. Review of ML and AutoML solutions to forecast time-series data. Archives of Computational Methods in Engineering. 2022. Vol. 29. No. 7. Pp. 5297–5311. DOI: 10.1007/S11831-022-09765-0/METRICS.
Fatima S.S.W., Rahimi A. A Review of time-series forecasting algorithms for industrial manufacturing systems. Machines. 2024. Vol. 12. No. 6. P. 380. DOI: 10.3390/MACHINES12060380.
Itzhak N., Jaroszewicz S., Moskovitch R. Temporal ensemble of multiple patterns’ instances for continuous prediction of events. Mach. Learn. 2025. Vol. 114. No. 5. Pp. 1–42. DOI: 10.1007/S10994-025-06756-7/FIGURES/16.
Christensen H.B., Hail L., Leuz C. Mandatory CSR and sustainability reporting: Economic analysis and literature review. Review of Accounting Studies. 2021. Vol. 26. No. 3. Pp. 1176–1248. DOI: 10.1007/S11142-021-09609-5.
Kontopoulou V.I., Panagopoulos A.D., Kakkos I., Matsopoulos G.K. A review of ARIMA vs. machine learning approaches for time series forecasting in data driven networks. Future Internet. 2023. Vol. 15. No. 8. P. 255. DOI: 10.3390/FI15080255.
Forecasting labor and skill demand by sector and occupation. In 2 vols. Vol. 1: Case studies and guidance. URL: https://documents.worldbank.org/en/publication/documents-reports/documentdetail/251591531754581450/case-studies-and-guidance (data of accesses: 19.04.2025).
Yurtsever M. Unemployment rate forecasting: LSTM-GRU hybrid approach. J. Labour. Mark. Res. 2023. Vol. 57. No. 1. Pp. 1–9. DOI: 10.1186/S12651-023-00345-8/FIGURES/5.
Vorobev A.V., Kudinov V.A. The importance of forecasting in industrial enterprise management using machine learning. Scientific and Technical Information Processing. 2022. Vol. 49. No. 5. Pp. 393–398. DOI: 10.3103/S0147688222050173.
Hewamalage H., Ackermann K., Bergmeir C. Forecast evaluation for data scientists: Common pitfalls and best practices. Data Min Knowl Discov. 2023. Vol. 37. No. 2. Pp. 788–832. DOI: 10.1007/S10618-022-00894-5/FIGURES/14.
Lukats D., Zielinski O., Hahn A., Stahl F. A benchmark and survey of fully unsupervised concept drift detectors on real-world data streams. Int. J. Data Sci. Anal. 2024. Vol. 19. No. 1. Pp. 1–31. DOI: 10.1007/S41060-024-00620-Y/FIGURES/13.
Zhang J., Zeng Y., Starly B. Recurrent neural networks with long-term temporal dependencies in machine tool wear diagnosis and prognosis. SN Appl. Sci. 2021. Vol. 3. No. 4. Pp. 1–13.. DOI: 10.1007/S42452-021-04427-5/FIGURES/7.
Hyndman R.J., Khandakar Y. Automatic time series forecasting: The forecast package for R. J. Stat. Softw. 2008. Vol. 27. No. 3. Pp. 1–22. DOI: 10.18637/JSS.V027.I03.
Forecasting: Principles and practice. 3rd ed. Accessed: Nov. 14, 2024. URL: https://otexts.com/fpp3/ (data of accesses: 14.11.2024).
Fokianos K., Fried R. Interventions in log-linear Poisson autoregression. Statistical Modelling. 2012. Vol. 12. No. 4. Pp. 299–322. DOI: 10.1177/1471082X1201200401.
Zhang G., Patuwo B.E., Hu M.Y. Forecasting with artificial neural networks: The state of the art. Int. J. Forecast. 1998. Vol. 14. No. 1. Pp. 35–62. DOI: 10.1016/S0169-2070(97)00044-7.
Vafaeipour M., Rahbari O., Rosen M.A. et al. Application of sliding window technique for prediction of wind velocity time series. International Journal of Energy and Environmental Engineering. 2014. Vol. 5. No. 2–3. Pp. 1–7. DOI: 10.1007/S40095-014-0105-5/FIGURES/7.
Chen Y., Fan X., Huang R. et al. Choose an item. Artificial intelligence/machine learning technology in power system applications. 2024. URL: www.osti.gov (data of accesses: 19.04.2025).
Bressane A., Garcia A.J. da S., de Castro M.V. et al. Fuzzy machine learning applications in environmental engineering: Does the ability to deal with uncertainty matter? Sustainability. 2024. Vol. 16. No. 11. P. 4525. DOI: 10.3390/SU16114525.
Wu J.M.T., Li Z., Herencsar N. et al. A graph-based CNN-LSTM stock price prediction algorithm with leading indicators. Multimed. Syst. 2023. Vol. 29. No. 3. Pp. 1751–1770. DOI: 10.1007/S00530-021-00758-W/TABLES/15.
Tao Z., Xu Q., Liu X., Liu J. An integrated approach implementing sliding window and DTW distance for time series forecasting tasks. Applied Intelligence. 2023. Vol. 53. No. 17. Pp. 20614–20625. DOI: 10.1007/S10489-023-04590-9/METRICS.
Fatima S.S.W., Rahimi A. A Review of time-series forecasting algorithms for industrial manufacturing systems. Machines. 2024. Vol. 12. No. 6. P. 380. DOI: 10.3390/MACHINES12060380.
Itzhak N., Jaroszewicz S., Moskovitch R. Temporal ensemble of multiple patterns’ instances for continuous prediction of events. Mach. Learn. 2025. Vol. 114. No. 5. Pp. 1–42. DOI: 10.1007/S10994-025-06756-7/FIGURES/16.
Christensen H.B., Hail L., Leuz C. Mandatory CSR and sustainability reporting: Economic analysis and literature review. Review of Accounting Studies. 2021. Vol. 26. No. 3. Pp. 1176–1248. DOI: 10.1007/S11142-021-09609-5.
Kontopoulou V.I., Panagopoulos A.D., Kakkos I., Matsopoulos G.K. A review of ARIMA vs. machine learning approaches for time series forecasting in data driven networks. Future Internet. 2023. Vol. 15. No. 8. P. 255. DOI: 10.3390/FI15080255.
Forecasting labor and skill demand by sector and occupation. In 2 vols. Vol. 1: Case studies and guidance. URL: https://documents.worldbank.org/en/publication/documents-reports/documentdetail/251591531754581450/case-studies-and-guidance (data of accesses: 19.04.2025).
Yurtsever M. Unemployment rate forecasting: LSTM-GRU hybrid approach. J. Labour. Mark. Res. 2023. Vol. 57. No. 1. Pp. 1–9. DOI: 10.1186/S12651-023-00345-8/FIGURES/5.
Vorobev A.V., Kudinov V.A. The importance of forecasting in industrial enterprise management using machine learning. Scientific and Technical Information Processing. 2022. Vol. 49. No. 5. Pp. 393–398. DOI: 10.3103/S0147688222050173.
Hewamalage H., Ackermann K., Bergmeir C. Forecast evaluation for data scientists: Common pitfalls and best practices. Data Min Knowl Discov. 2023. Vol. 37. No. 2. Pp. 788–832. DOI: 10.1007/S10618-022-00894-5/FIGURES/14.
Lukats D., Zielinski O., Hahn A., Stahl F. A benchmark and survey of fully unsupervised concept drift detectors on real-world data streams. Int. J. Data Sci. Anal. 2024. Vol. 19. No. 1. Pp. 1–31. DOI: 10.1007/S41060-024-00620-Y/FIGURES/13.
Zhang J., Zeng Y., Starly B. Recurrent neural networks with long-term temporal dependencies in machine tool wear diagnosis and prognosis. SN Appl. Sci. 2021. Vol. 3. No. 4. Pp. 1–13.. DOI: 10.1007/S42452-021-04427-5/FIGURES/7.
Hyndman R.J., Khandakar Y. Automatic time series forecasting: The forecast package for R. J. Stat. Softw. 2008. Vol. 27. No. 3. Pp. 1–22. DOI: 10.18637/JSS.V027.I03.
Forecasting: Principles and practice. 3rd ed. Accessed: Nov. 14, 2024. URL: https://otexts.com/fpp3/ (data of accesses: 14.11.2024).
Fokianos K., Fried R. Interventions in log-linear Poisson autoregression. Statistical Modelling. 2012. Vol. 12. No. 4. Pp. 299–322. DOI: 10.1177/1471082X1201200401.
Zhang G., Patuwo B.E., Hu M.Y. Forecasting with artificial neural networks: The state of the art. Int. J. Forecast. 1998. Vol. 14. No. 1. Pp. 35–62. DOI: 10.1016/S0169-2070(97)00044-7.
Vafaeipour M., Rahbari O., Rosen M.A. et al. Application of sliding window technique for prediction of wind velocity time series. International Journal of Energy and Environmental Engineering. 2014. Vol. 5. No. 2–3. Pp. 1–7. DOI: 10.1007/S40095-014-0105-5/FIGURES/7.
Chen Y., Fan X., Huang R. et al. Choose an item. Artificial intelligence/machine learning technology in power system applications. 2024. URL: www.osti.gov (data of accesses: 19.04.2025).
Bressane A., Garcia A.J. da S., de Castro M.V. et al. Fuzzy machine learning applications in environmental engineering: Does the ability to deal with uncertainty matter? Sustainability. 2024. Vol. 16. No. 11. P. 4525. DOI: 10.3390/SU16114525.
Wu J.M.T., Li Z., Herencsar N. et al. A graph-based CNN-LSTM stock price prediction algorithm with leading indicators. Multimed. Syst. 2023. Vol. 29. No. 3. Pp. 1751–1770. DOI: 10.1007/S00530-021-00758-W/TABLES/15.
Tao Z., Xu Q., Liu X., Liu J. An integrated approach implementing sliding window and DTW distance for time series forecasting tasks. Applied Intelligence. 2023. Vol. 53. No. 17. Pp. 20614–20625. DOI: 10.1007/S10489-023-04590-9/METRICS.
Ключевые слова:
скользящее окно, прогнозирование временных рядов, машинное обучение, рынок ИТ-вакансий, тренды и сезонность, точность модели.
