ЗНАННЯ-ОРІЄНТОВАНА ІЄРАРХІЧНА МУЛЬТИАГЕНТНА ІНТЕЛЕКТУАЛЬНА СИСТЕМА СЦЕНАРНОГО ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ НА ОСНОВІ LLM
DOI:
https://doi.org/10.31649/1997-9266-2026-184-1-133-142Ключові слова:
мультиагентні системи, штучний інтелект, сценарне прогнозування, часові ряди, великі мовні моделі, невизначеність, ансамблеве моделювання, коронавірусАнотація
Підвищення точності, надійності та узгодженості сценарного прогнозування часових рядів з високою невизначеністю є однією з ключових проблем сучасних систем підтримки прийняття рішень. Особливу складність такі задачі становлять за наявності пропусків даних, лагових ефектів, змінної сезонності, структурних зламів і необхідності врахування зовнішніх контекстних знань, які часто представлені у текстовій формі. Традиційні методи прогнозування, орієнтовані на оптимізацію окремих моделей, зазвичай не забезпечують узгодженості прогнозів і коректного оцінювання невизначеності в сценарному аналізі.
У роботі запропоновано знання-орієнтовану ієрархічну мультиагентну інтелектуальну систему (ІМАІС) сценарного прогнозування часових рядів, у якій великі мовні моделі (LLM) використовуються як спеціалізовані інтелектуальні агенти з чітко розподіленими ролями, які не перетинаються. На основі структурно-функціональної декомпозиції та системного підходу виділено три основні класи (рівні ієрархії) інтелектуальних агентів: агенти підготовки даних та формування ознак, агенти побудови та налаштування прогнозних моделей і агенти кооперації та оцінювання невизначеності прогнозів моделей. Запропоновано формалізацію архітектур ІМАІС та інтегральний багатокритеріальний показник якості, що враховує ефективність підготовки даних, адекватність прогнозування динаміки та каліброваність зон невизначеності.
Сформульовано гіпотези щодо переваг рольової декомпозиції агентів і доведено теорему про Парето-оптимальність ієрархічної ІМАІС зі спеціалізованими класами агентів за середньозваженим інтегральним критерієм якості з додатними вагами. На основі цієї формалізації розроблено відповідний сценарно-орієнтований агент-бенчмарк IMAS-SCOPE (Intelligent Multi-Agent Systems — Scenario Consistency & Optimal Prediction Evaluation), призначений для порівняння альтернативних архітектур мультиагентних систем прогнозування.
Наведено приклад експериментальної реалізації ІМАІС у середовищі Kaggle для сценаріїв на основі реальних даних першої хвилі захворюваності на COVID-19 в Україні. Показано, що для прогнозу різкого спаду після стрімкого зростання приросту кількості нових хворих повноцінна сценарна архітектура A3 забезпечує кращу у 2—3 рази точність прогнозування за метрикою WAPE, усередненою за 2 тижні, кращу на 31 % узгодженість оцінювання і каліброваність невизначеності та краще на 36 % значення інтегрального критерію корисності порівняно з базовою архітектурою A1 за сценарієм прогнозування різкого спаду одразу після стрімкого зростання. Отже, на прикладі доведено підвищення точності (зменшення WAPE), надійності (більша каліброваність зон невизначеності) та узгодженості прогнозів (за даними різних часових інтервалів), що в цілому забезпечує вибір системи з вищою якістю прогнозування і може бути також інтерпретовано і як вибір системи з вищою достовірністю прогнозів.
Отримані результати підтверджують доцільність використання LLM-керованих мультиагентних архітектур і спеціалізованих бенчмарків для задач сценарного прогнозування в умовах високої невизначеності.
Посилання
F. Petropoulos, et al., “COVID-19: Forecasting confirmed cases and deaths with a simple time series model,” International Journal of Forecasting, vol. 38, no. 2, pp. 439-452, Apr.–Jun. 2022. https://doi.org/10.1016/j.ijforecast.2020.11.010 .
A. Ghosh, et al., “Mathematical modelling for decision making of lockdown during COVID-19,” Applied Intelligence, vol. 52, pp. 699-715, Jan. 2022. https://doi.org/10.1007/s10489-021-02463-7 .
В. Б. Мокін, А. В. Лосенко, і А. Р. Ящолт, «Інформаційна технологія аналізу та прогнозування кількості нових випадків захворювань на коронавірус SARS-CoV-2 в Україні на основі моделі Prophet,» Вісник Вінницького політехнічного інституту, № 5, с. 71-83, Листоп. 2020. https://doi.org/10.31649/1997-9266-2020-152-5-71-83 .
Z. Qu, et al., “Forecasting New COVID-19 Cases and Deaths Based on an Intelligent Point and Interval System Coupled With Environmental Variables,” Frontiers in Ecology and Evolution, vol. 10, 2022. https://doi.org/10.3389/fevo.2022.875000 .
А. В. Лосенко, «Інформаційна технологія прогнозування часового ряду кількості хворих на коронавірус на основі моделі Facebook Prophet,» Вісник Вінницького політехнічного інституту, № 5, с. 50-59, Жовт. 2023. https://doi.org/10.31649/1997-9266-2023-170-5-50-59 .
G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, Time Series Analysis: Forecasting and Control, 5th ed. Hoboken, NJ, 2015, 712 p. ISBN: 978-111867502.
Y. Jiang, et al., “Empowering Time Series Analysis with Large Language Models: A Survey,” in Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence (IJCAI-24), 2024, pp. 8095-8103. [Electronic resource]. Available: https://www.ijcai.org/proceedings/2024/0895.pdf .
S. Abdullahi, et al., “Time-Series Large Language Models: A Systematic Review of State-of-the-Art,” IEEE Access, vol. 13, pp. 30235-30261, 2025. https://doi.org/10.1109/ACCESS.2025.3535782 .
M. Jacobsen, and M. Tropmann-Frick, “Imputation Strategies in Time Series Based on Language Models,” Datenbank-Spektrum, vol. 24, pp. 197-207, Nov. 2024. https://doi.org/10.1007/s13222-024-00488-z .
K. Motlaghzadeh, et al., “A multi-agent decision-making framework for evaluating water and environmental resources management scenarios under climate change,” Science of the Total Environment, vol. 864, 2023. https://doi.org/10.1016/j.scitotenv.2022.161060
L. P.-Y. Ting, et al., “Towards Hierarchical Multi-Agent Decision-Making for Uncertainty-Aware EV Charging,” arXiv preprint arXiv:2412.18047, Dec. 2024. [Electronic resource]. Available: https://arxiv.org/abs/2412.18047 . https://doi.org/10.48550/arXiv.2412.18047 .
В. Б. Мокін, і М. В. Дратований, Наука про дані: машинне навчання та інтелектуальний аналіз даних, електронний навч. посіб. комбінованого (локального та мережевого) використання. [Електронний ресурс]. Вінниця, Україна: ВНТУ, 2024, 258 с.
М. В. Дратований, і В. Б. Мокін, «Інтелектуальний метод з підкріпленням синтезу оптимального конвеєру операцій попереднього оброблення даних у задачах машинного навчання», Наукові праці ВНТУ, № 4, Черв. 2023. https://doi.org/10.31649/2307-5392-2022-4-15-24 .
І. О. Бровченко, «Розробка математичної моделі поширення епідемії COVID-19 в Україні,» Світогляд, № 2 (82), с. 2-14, 2020. [Електронний ресурс]. Режим доступу: https://files.nas.gov.ua/PublicMessages/Documents/0/2020/05/200506172747204-403.pdf .
Президія Національної академії наук України, Прогноз розвитку епідемії COVID-19 в Україні. [Електронний ресурс]. Режим доступу: https://old.nas.gov.ua/UA//Activity/covid/Pages/wg.aspx . Дата звернення: Листоп. 2025.
Президія Національної академії наук України, Прогноз розвитку епідемії COVID-19 в Україні на 1–14 грудня 2020 року (“Прогноз РГ-30”), Груд. 2020. [Електронний ресурс]. Режим доступу:
##submission.downloads##
-
pdf
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
