Блестящий научный прорыв совершили специалисты факультета ВМК МГУ совместно с коллегами из Федерального исследовательского центра «Информатика и управление» РАН. Они создали инновационный метод, значительно повышающий точность прогнозирования временных рядов путем интеграции вероятностных моделей и алгоритмов машинного обучения. Впечатляющие результаты исследования, демонстрирующие улучшение точности прогнозов на 45,7%, опубликованы в авторитетном журнале AI.
Современный мир активно использует прогнозирование временных рядов в критически важных сферах — от энергетики и телекоммуникаций до медицины и финансов. Однако специалисты часто сталкиваются с проблемой зашумленности данных и нехваткой качественных обучающих материалов. Разработанная российскими учеными методика успешно преодолевает эти ограничения, объединяя передовые вероятностные модели с алгоритмами машинного обучения. Это позволяет искусственному интеллекту находить скрытые закономерности даже в небольших наборах данных.
Инновационный подход основан на использовании смешанных компонентов связности, генерирующих дополнительную информацию для моделей машинного обучения. Уникальный алгоритм обрабатывает временные ряды в режиме скользящего окна, учитывая сложные нелинейные взаимосвязи и случайные факторы. Впервые в мировой практике доказана высокая эффективность применения смешанных компонент связности как для классического машинного обучения, так и для продвинутых нейросетевых архитектур, включая LSTM и трансформеры.
Масштабное тестирование метода проводилось на двух принципиально разных наборах данных. При анализе сложных процессов теплообмена между океаном и атмосферой в районе Гольфстрима и Лабрадорского моря новая технология показала впечатляющие результаты — снижение среднеквадратичной ошибки на 27,7% и уменьшение средней абсолютной процентной ошибки на 45,7%. Второе испытание на данных о температуре масла в электрических трансформаторах также принесло существенный успех — точность прогнозов превзошла показатели традиционных методов на 10%, включая передовую модель Reformer.
«Наша разработка открывает захватывающие перспективы в анализе временных рядов, — делится достижениями доцент кафедры математической статистики факультета ВМК МГУ Андрей Горшенин. — Даже при работе с ограниченными или зашумленными данными мы достигаем впечатляющих результатов в точности прогнозов. Это критически важно для задач, где цена ошибки особенно высока — будь то энергетика, климатология или здравоохранение».
Научный коллектив продолжает активную работу над совершенствованием технологии. В ближайших планах — расширение спектра используемых архитектур и методов вероятностного информирования с применением разнообразных математических моделей. Это позволит создавать еще более точные прогнозы для различных областей науки и промышленности.
Информация предоставлена пресс-службой МГУ
Источник фото: ru.123rf.com
Источник: scientificrussia.ru
