Белас, Олег МиколайовичБідюк, Петро ІвановичБелас, Андрій Олегович2020-05-302020-05-302019Белас, О. Порівняльний аналіз авторегресійних підходів та рекурентних нейронних мереж для моделювання і прогнозування нелінійних нестаціонарних процесів / Олег Белас, Петро Бідюк, Андрій Белас // Information Technology and Security. – 2019. – Vol. 7, Iss. 1 (12). – Pp. 91–99. – Bibliogr.: 10 ref.https://ela.kpi.ua/handle/123456789/33878Нелінійні нестаціонарні процеси, представлені у вигляді часових рядів, можуть собою описувати динаміку процесів як в технічних, так і у економічних системах. Прогнозування таких процесів має численні застосування в енергетиці, мережевих системах, торгівлі, інвестиційній діяльності. Однак, на даний час не існує єдиного підходу для моделювання і прогнозування таких процесів. У роботі розглянуто найбільш уживані підходи. Вони вважаються ефективними для роботи з даними, представленими у вигляді послідовностей: авторегресійні моделі та рекурентні нейронні мережі. Класичні регресійні підходи прогнозують цільову змінну лінійною комбінацією минулих значень цієї змінної. Тому доволі просто використовуються як з теоретичної, так і з обчислювальної точок зору завдяки простій структурі. Проте даний підхід обмежується складністю враховування великої кількості зовнішніх факторів через проблему мультиколінеарності, а також їх можливий нелінійний вплив. Нейронні мережі навчаються на досвіді і адаптуються до змін середовища, яке моделюється. Нейронні технології застосовуються для нелінійного моделювання, стійкі до інформаційних завад і здатні до узагальнення на основі історичних даних. Використання нейронних мереж дозволяє отримувати точні та адекватні моделі, навіть за якісного аналізу взаємозв’язків факторів, що впливає на результат прогнозування. Тому для роботи з послідовностями використовують рекурентні нейронні мережі. Це дозволяє вирішити поставлену задачу моделювання з урахуванням нелінійного або комбінованого впливу зовнішніх факторів. Однак, застосування даного підходу обмежується великими обчислювальними витратами. До того ж цей підхід не може застосовуватися для дуже довгих послідовностей. Це є проблемою для вирішення сучасних задач з використанням великих за обсягом даних. З аналізу випливає необхідність розроблення, нового, ефективного з обчислювальної точки зору підходу до моделювання великих послідовностей з урахуванням нелінійного або комбінованого впливу зовнішніх факторівС. 91-99ukматематичне моделюванняобробка сигналівнестаціонарні процесиавторегресійні моделінейронні мережірекурентні нейронні мережіmathematical modelingsignal processingnonstationary processesautoregressive modelsneural networksrecurrent neural networksArticlehttps://doi.org/10.20535/2411-1031.2019.7.1.184395004.942::519.216.3