Details

Работа посвящена сравнительному анализу методов прогнозирования временных рядов и обоснованию выбора наиболее эффективного алгоритма для использования в системе поддержки принятия решений (СППР) при мониторинге технологических параметров. В теоретической части рассмотрены структура временных рядов (тренд, сезонность, шум), архитектура и функции СППР, а также классификация методов прогнозирования (статистические, машинного обучения, нейросетевые). В практической части на основе синтетического временного ряда температуры (408 почасовых наблюдений, диапазон 65–92 °C, суточная сезонность) проведено сравнение шести моделей: скользящее среднее, Хольта–Уинтерса, ARIMA, линейная регрессия, Random Forest и Gradient Boosting. Оценка качества выполнена по метрикам MAE, RMSE, MAPE и коэффициенту детерминации R². Результаты исследования показали, что наилучшую точность и устойчивость прогноза на данном ряде обеспечивает метод Хольта–Уинтерса (MAE = 1,467 °C, RMSE = 1,809 °C, MAPE = 1,80 %, R² = 0,856). Линейная регрессия и ансамблевые методы дали сопоставимые, но более низкие результаты. Несезонная ARIMA и скользящее среднее оказались непригодны для прогнозирования из-за высокой ошибки и низкой объясняющей способности. Разработан программный модуль на Python, реализующий автоматическое сравнение моделей и выбор лучшей по критерию минимума RMSE. Предложена архитектура прототипа СППР, ориентированная на режим, близкий к реальному времени (NRT), с возможностью интеграции в промышленные системы через OPC UA/MQTT. Полученные результаты могут быть использованы при создании систем раннего предупреждения о выходе технологических параметров (температура, давление, вибрация) за допустимые пределы, алгоритм сравнения универсален и применим к любым временным рядам.

The work is devoted to a comparative analysis of time series forecasting methods and the selection of the most effective algorithm for use in a decision support system (DSS) for monitoring technological parameters. The theoretical part considers the structure of time series (trend, seasonality, noise), the architecture and functions of DSS, as well as a classification of forecasting methods (statistical, machine learning, neural network). In the practical part, based on a synthetic temperature time series (408 hourly observations, range 65–92 °C, daily seasonality), six models are compared: moving average, Holt–Winters, ARIMA, linear regression, Random Forest, and Gradient Boosting. The quality assessment is performed using MAE, RMSE, MAPE, and the coefficient of determination R². The results of the study show that the Holt–Winters method provides the best accuracy and forecast stability for this series (MAE = 1.467 °C, RMSE = 1.809 °C, MAPE = 1.80 %, R² = 0.856). Linear regression and ensemble methods show comparable but lower results. Non-seasonal ARIMA and the moving average are unsuitable for forecasting due to high error and low explanatory power. A software module in Python has been developed that automatically compares models and selects the best one based on the minimum RMSE criterion. A prototype DSS architecture is proposed, oriented to near-real-time operation with the possibility of integration into industrial systems via OPC UA/MQTT. The obtained results can be used to create early warning systems for technological parameters (temperature, pressure, vibration) exceeding permissible limits. The comparison algorithm is universal and applicable to any time series.