ВИКОРИСТАННЯ МЕТОДІВ КОНСТРУКТИВНО-ПРОДУКЦІЙНОГО МОДЕЛЮВАННЯ ДЛЯ ПРОГНОЗУВАННЯ ДЕТЕРМІНОВАНИХ ЧАСОВИХ РЯДІВ

А.А. Жадан; В.І. Шинкаренко

doi:10.34185/1562-9945-5-161-2025-12

Автор(и)

А.А. Жадан
В.І. Шинкаренко

DOI:

https://doi.org/10.34185/1562-9945-5-161-2025-12

Ключові слова:

програмна інженерія, констриктивно-продукційне моделювання інформаційних технологій, фрактали, фрактальні часові ряди, генетичний алгоритм, L-система

Анотація

Прогнозування часових рядів є одним із ключових завдань сучасного аналізу даних та моделювання складних систем. У даній роботі розглядається застосування конструктивно-продукційного підходу для роботи з детермінованими фрактальними часовими рядами. Мета роботи полягає у відновленні конструктивної моделі, яка відо-бражає внутрішню структуру ряду та дозволяє здійснювати його продовження за ви-значеними правилами генерації. Для перевірки ефективності підходу було сформовано набір синтетичних рядів, породжених конструктивними моделями різного рівня скла-дності. У свою чергу, відновлення моделей виконувалося за допомогою спеціалізованого програмного додатку. Прогнозна здатність методу перевірялася шляхом порівняльного аналізу з класичними моделями прогнозування, зокрема ARIMA, LSTM, ARIMA-LSTM та CNN-LSTM. Точність оцінювалася за метриками MAE та MAPE. Результати показали, що конструктивно-продукційне моделювання забезпечує найвищу точність про-гнозування серед усіх протестованих моделей, що є очікуваним з огляду на природу вхі-дних рядів. Важливо підкреслити, що на відміну від традиційних методів, даний підхід надає можливість отримати не лише прогнозні значення, але й конструктивну модель часового ряду, придатну для подальшого структурного аналізу, виявлення закономір-ностей та дослідження властивостей. Таким чином, проведене дослідження підтвер-джує ефективність і доцільність використання конструктивно-продукційного моде-лювання для прогнозування детермінованих фрактальних часових рядів.

Посилання

Weigend A. Time Series Prediction: Forecasting the Future and Understanding the Past. London, 2018. URL: https://doi.org/10.4324/9780429492648.

Park M.-J., Yang H.-S. Comparative Study of Time Series Analysis Algorithms Suitable for Short-Term Forecasting in Implementing Demand Response Based on AMI. Sensors. 2024. Vol. 24, No. 22. P. 7205. URL: https://doi.org/10.3390/s24227205.

Shu Z., Chan P.W. Application of fractal analysis on wind speed time series: A review. Advances in Wind Engineering, 2025, vol. 2, no. 1, p. 100028. ISSN 2950-6018. URL: https://doi.org/10.1016/j.awe.2024.100028.

Skalozub V., Ilman V., Bilyy B. Constructive multiplayer models for ordering a set of sequences, taking into account the complexity operations of formations. Science and Transport Progress. Bulletin of Dnipropetrovsk National University of Railway Transport, 2020, pp. 61–76. URL: https://doi.org/10.15802/stp2020/213232.

Shynkarenko K., Lytvynenko R., Chyhir I., Nikitina I. Modeling of lightning flashes in thunderstorm front by constructive production of fractal time series. In: Advances in Intelligent Systems and Computing, vol. 1080, Springer, 2020, pp. 173–185.

URL: https://doi.org/10.1007/978-3-030-33695-0_13.

Foroutan P., Lahmiri S. Deep learning systems for forecasting the prices of crude oil and precious metals. Financial Innovation, 2024, vol. 10, p. 111.

URL: https://doi.org/10.1186/s40854-024-00637-z.

Khan A.M., Osinska M. Comparing forecasting accuracy of selected grey and time series models based on energy consumption in Brazil and India. Expert Systems with Applications, 2023, vol. 212, p. 118840. ISSN 0957-4174.

URL: https://doi.org/10.1016/j.eswa.2022.118840.

Shynkarenko V., Zhadan A. Modeling of the deterministic fractal time series by one rule constructors. 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), Zbarazh, Ukraine, 2020, pp. 336–339.

URL: https://doi.org/10.1109/CSIT49958.2020.9321923.

Serletis A., Rosenberg A.A. The Hurst exponent in energy futures prices. Physica A: Statistical Mechanics and its Applications, 2007, vol. 380, pp. 325–332.

Prusinkiewicz P., Lindenmayer A. The algorithmic beauty of plants. Springer Science & Business Media, 2012.

Tsukamoto M. Mean Hausdorff dimension of some infinite-dimensional fractals. Journal d’Analyse Mathématique, 2025, vol. 155, pp. 235–286. URL: https://doi.org/10.1007/s11854-024-0353-0.

Ospina R., Gondim J.A.M., Leiva V., Castro C. An overview of forecast analysis with ARIMA models during the COVID-19 pandemic: Methodology and case study in Brazil. Mathematics, 2023, vol. 11, p. 3069. URL: https://doi.org/10.3390/math11143069.

Tarmanini C., Sarma N., Gezegin C., Ozgonenel O. Short term load forecasting based on ARIMA and ANN approaches. Energy Reports, 2023, vol. 9, suppl. 3, pp. 550–557. ISSN 2352-4847. URL: https://doi.org/10.1016/j.egyr.2023.01.060.

Bhalla V., Bhalla A., Jain R. A comparison of ARIMA, SARIMA, and statistical models for estimating. In: Sustainable Computing and Intelligent Systems: Proceedings of SCIS 2024, vol. 2, 1296, 2025, p. 185.

Ray S., Lama A., Mishra P., Biswas T., Das S.S., Gurung B. An ARIMA-LSTM model for predicting volatile agricultural price series with random forest technique. Applied Soft Computing, 2023, vol. 149, part A, p. 110939. ISSN 1568-4946.

URL: https://doi.org/10.1016/j.asoc.2023.110939.

Salem F.M. Recurrent Neural Networks (RNN). In: Recurrent Neural Networks. Cham: Springer, 2022. URL: https://doi.org/10.1007/978-3-030-89929-5_3.

Al-Selwi S.M., Hassan M.F., Abdulkadir S.J., Muneer A., Sumiea E.H., Alqushaibi A., Ragab M.G. RNN-LSTM: From applications to modeling techniques and beyond—Systematic review. Journal of King Saud University - Computer and Information Sciences, 2024, vol. 36, no. 5, p. 102068. ISSN 1319-1578.

URL: https://doi.org/10.1016/j.jksuci.2024.102068.

Md A.Q., Kapoor S., Junni A.V.C., Sivaraman A.K., Tee K.F., Sabireen H., Janakiraman N. Novel optimization approach for stock price forecasting using multi-layered sequential LSTM. Applied Soft Computing, 2023, vol. 134, p. 109830. ISSN 1568-4946.

URL: https://doi.org/10.1016/j.asoc.2022.109830.

Wang K., Zhang J., Li X., Zhang Y. Long-term power load forecasting using LSTM-Informer with ensemble learning. Electronics, 2023, vol. 12, p. 2175.

URL: https://doi.org/10.3390/electronics12102175.

Elmaz F., Eyckerman R., Casteels W., Latré S., Hellinckx P. CNN-LSTM architecture for predictive indoor temperature modeling. Building and Environment, 2021, vol. 206, p. 108327. ISSN 0360-1323. URL: https://doi.org/10.1016/j.buildenv.2021.108327.

Wu J.M.T., Li Z., Herencsar N., et al. A graph-based CNN-LSTM stock price prediction algorithm with leading indicators. Multimedia Systems, 2023, vol. 29, pp. 1751–1770.

URL: https://doi.org/10.1007/s00530-021-00758-w

Wang J.-D., Susanto C.O.N. Traffic flow prediction with heterogenous data using a hybrid CNN-LSTM model. Computers, Materials and Continua, 2023, vol. 76, no. 3, pp. 3097–3112. ISSN 1546-2218. URL: https://doi.org/10.32604/cmc.2023.040914.

Zha W., Liu Y., Wan Y., Luo R., Li D., Yang S., Xu Y. Forecasting monthly gas field production based on the CNN-LSTM model. Energy, 2022, vol. 260, p. 124889. ISSN 0360-5442. URL: https://doi.org/10.1016/j.energy.2022.124889.

Ray S., Lama A., Mishra P., Biswas T., Das S.S., Gurung B. An ARIMA-LSTM model for predicting volatile agricultural price series with random forest technique. Applied Soft Computing, 2023, vol. 149, part A, p. 110939. ISSN 1568-4946.

URL: https://doi.org/10.1016/j.asoc.2023.110939.

Jin Y.-C., Cao Q., Wang K.-N., Zhou Y., Cao Y.-P., Wang X.-Y. Prediction of COVID-19 data using improved ARIMA-LSTM hybrid forecast models. IEEE Access, 2023, vol. 11, pp. 67956–67967. URL: https://doi.org/10.1109/ACCESS.2023.3291999.

Shynkarenko V., Zhadan A. Multiservice architecture of software for stochastic fractal time series forecasting. 2024 IEEE Conference on Computer Sciences and Information Technologies, 2024, pp. 1–4. URL: https://doi.org/10.1109/CSIT65290.2024.10982626.