СТЕКІНГОВА ГІБРИДНА МОДЕЛЬ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ

Анотація

В умовах зростання екологічних ризиків задача прогнозування рівнів забруднення набуває все більшої актуальності. Традиційні статистичні моделі, наприклад, ARIMA демонструють високу точність на фонових рівнях забруднення, проте втрачають якість прогнозу у разі пікових концентрацій, що є критичними з погляду впливу на здоров’я. Моделі машинного навчання, зокрема градієнтний бустинг, навпаки, краще відтворюють нелінійні піки, проте їхня точність суттєво знижується зі збільшенням терміну прогнозу через поступове накопичення похибок на кожному кроці розрахунку. Зазначені обмеження зумовлюють необхідність розробки гібридних підходів, здатних поєднати переваги обох класів моделей.

Розроблено та досліджено гібридну стекінгову архітектуру прогнозування погодинного часового ряду, що поєднує структурну модель Prophet та алгоритм градієнтного бустингу LightGBM. На відміну від традиційного підходу корекції залишків, у запропонованій архітектурі прогноз Prophet використовується як детермінована сезонна ознака поряд з авторегресійними та календарними ознаками, на основі яких LightGBM безпосередньо передбачає цільове значення.

Реалізацію та тестування запропонованої моделі виконано з використанням реальних даних моніторингу якості атмосферного повітря, отриманих від мережі громадського моніторингу атмосферного повітря EcoCity. Статистичну значущість результатів підтверджено критерієм Діболда–Маріано. Порівняння з базовими моделями показало, що гібридна модель статистично значуще перевершує моделі-базиси та демонструє найзбалансованішу точність. Отримані результати свідчать про перевагу гібридної архітектури над моделями-базисами як за загальною точністю, так і за стабільністю на довгих горизонтах прогнозування.