Методи фільтрації та регресії для прогнозування зашумлених часових рядів на основі машинного навчання

Анотація

Прогнозування параметрів у промислових процесах значно ускладнюється наявністю шуму в послідовних вимірюваннях, що зменшує ефективність контролю технологічного процесу. Метою дослідження є розробка інтегрованої моделі, яка поєднує методи адаптивної фільтрації шуму та регресію для покращення точності прогнозування зашумлених часових рядів із використанням алгоритмів машинного навчання. Під час дослідження була створена комплексна база даних часових рядів із різними рівнями та типами шуму, що забезпечило ретельну перевірку ефективності запропонованих методів. Набори даних були розроблені з урахуванням специфіки технологічних процесів та різноманітності шумових патернів, що дозволило точно оцінити розроблені методи в різних умовах. У рамках розробки методів адаптивної фільтрації шуму були впроваджені та оптимізовані фільтр Калмана та вейвлет-фільтрація. Встановлено зв'язок між ефективністю методів фільтрації та часовими патернами: для параметрів, що швидко змінюються, вейвлет-фільтрація забезпечує вищу ефективність згладжування, тоді як фільтр Калмана краще зберігає характеристики сигналу для більш стабільних послідовностей. Для вирішення задачі прогнозування часових рядів були впроваджені та протестовані два алгоритми регресії – регресія опорних векторів та багатошаровий перцептрон. Було доведено, що регресія опорних векторів демонструє кращі результати з даними з низьким рівнем шуму, тоді як багатошаровий перцептрон показує вищу стабільність в умовах значного шуму, особливо після попередньої фільтрації. Для оцінки ефективності запропонованих рішень була розроблена комплексна система оцінки якості, яка одночасно враховує ефективність прогнозування, часові аспекти, характеристики шуму та обчислювальну складність. Експериментальне підтвердження демонструє, що розроблений підхід покращує точність прогнозування порівняно з методами машинного навчання без попередньої фільтрації, зберігаючи прийнятну обчислювальну складність. Розроблений підхід є перспективним для промислових застосувань, включаючи моделювання процесів збагачення залізної руди, де шумостійке прогнозування важливе для контролю процесу. Запропоновані методи можуть бути поширені на різні промислові процеси з подібними часовими даними та характеристиками шуму, особливо в металургійній, хімічній та харчовій промисловості