Details
| Title | A study of the applicability of the Kolmogorov-Arnold network architecture for time series forecasting = Исследование применимости архитектуры нейронных сетей Колмогорова-Арнольда (KAN) к задаче прогнозирования временных рядов // Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. – 2025. – Т. 18, № 4. — С. 20-29 |
|---|---|
| Creators | Maleev O. G. ; Kovaleva O. A. |
| Imprint | 2025 |
| Collection | Общая коллекция |
| Subjects | Вычислительная техника ; Архитектура вычислительных машин в целом ; neural networks ; Kolmogorov-Arnold neural networks ; neural network Kolmogorov-Arnolds ; time series (computing) ; time series forecasting ; multilayer perceptrons ; recurrent neural networks ; нейронные сети ; нейронные сети Колмогорова-Арнольда ; Колмогорова-Арнольда нейронные сети ; временные ряды (вычислительная техника) ; прогнозирование временных рядов ; многослойные персептроны ; рекуррентные нейронные сети |
| UDC | 004.2 |
| LBC | 32.973-02 |
| Document type | Article, report |
| Language | English |
| DOI | 10.18721/JCSTCS.18402 |
| Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\78359 |
| Record create date | 3/2/2026 |
The recently proposed Kolmogorov-Arnold Network (KAN) architecture emerges as a promising alternative to traditional neural networks based on the Multilayer Perceptron (MLP). By leveraging the Kolmogorov-Arnold representation theorem, KAN represents multidimensional functions as combinations of univariate functions, thereby offering potentially higher accuracy and model interpretability through its inherently simpler structure. This paper investigates the applicability of KAN to time series forecasting using the well-known hourly electricity consumption dataset as a benchmark. Meteorological observation data are selected as an additional testbed. A comparative analysis is conducted between KAN networks and traditional MLPs, as well as implementations of recurrent architectures based on KAN (TKAN variants) versus established designs such as Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU). Experimental results demonstrate the superiority of the KAN architecture over MLPs in temporal prediction tasks. The proposed recurrent architecture, TKAN1, achieves the highest coefficient of determination (R2 = 0.3483) among TKAN variants, with a Root Mean Squared Error (RMSE) of 0.1010 in energy demand forecasting.
Недавно предложенная архитектура нейросетей Колмогорова-Арнольда (Kolmogorov-Arnold Networks, KAN) является перспективной альтернативой традиционным нейронным сетям на основе многослойного персептрона (Multilayer Perceptron, MLP). Благодаря использованию теоремы Колмогорова-Арнольда, KAN представляет многомерные функции в виде комбинации одномерных, обеспечивая потенциально более высокую точность и интерпретируемость модели. В данной статье исследуется применимость KAN и ее рекуррентного расширения - Temporal Kolmogorov-Arnold Networks (TKAN) - к задаче прогнозирования временных рядов на примере известного набора данных почасового потребления электроэнергии. В качестве дополнительного набора данных выбраны данные метеорологических наблюдений. Проведен сравнительный анализ сетей KAN с традиционными MLP, а также реализации архитектуры рекуррентной нейросети на основе архитектуры KAN с широко известными архитектурами долгой краткосрочной памяти (Long Short-Term Memory, LSTM) и управляемого рекуррентного блока (Gated Recurrent Units, GRU). Экспериментальные результаты демонстрируют превосходство архитектуры KAN над MLP в задачах временного прогнозирования. Предложенная в статье рекуррентная архитектура TKAN1 демонстрирует лучший среди TKAN коэффициент детерминации R2 = 0,3483 при RMSE 0,1010 в задаче прогнозирования энергопотребления.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | All |
|
Access count: 4
Last 30 days: 4
