Россия
Россия
Россия
Россия
В статье представлен анализ точности прогнозирования случайных сигналов с использованием адаптивных и неадаптивных экстраполяторов. Экстраполяция производится с применением многочленов Чебышева, ортогональных на множестве равноотстоящих точек. Рассматриваются различные алгоритмы автоматического выбора экстраполирующего многочлена в режиме реального времени, базирующиеся на оценках ошибок прогнозирования. Проведено сравнительное исследование этих алгоритмов с целью выявления наиболее эффективного. Исследование включает в себя анализ погрешностей прогноза при использовании экстраполяторов фиксированного порядка, а также адаптивных экстраполяторов, использующих различные правила выбора параметров. В частности, рассматривается правило выбора, основанное на минимуме модуля погрешности в текущий момент времени, и правило, основанное на минимуме среднеквадратичной погрешности за предыдущие такты. Показано, что использование нейросетевого алгоритма на базе CatBoost обеспечивает наименьшую погрешность прогноза по сравнению с рассмотренными альтернативными подходами. Это свидетельствует о перспективности применения нейронных сетей для адаптации параметров экстраполяторов к изменяющимся характеристикам прогнозируемого случайного процесса.
адаптивный экстраполятор; многочлены Чебышева; погрешности прогноза; случайный процесс; нейронные сети
1. Baranov L. A. The object according state prediction to diagnostic data / L. A. Baranov, E. P. Balakina, A. I. Godyaev // Journal of Physics: Conference Series, Vladivostok, 7–8 October 2021. — Vladivostok, 2021. — P. 012121. — DOI:https://doi.org/10.1088/1742-6596/2096/1/012121.
2. Баранов Л. А. Влияние прогноза рассогласования на качество управления в замкнутых автоматических системах / Л. А. Баранов, О. Е. Пудовиков, Е. П. Балакина // Электротехника. — 2022. — № 9. — С. 8–15. — DOI:https://doi.org/10.53891/00135860_2022_9_8.
3. Petropoulos F. Forecasting: Theory and practice / F. Petropoulos, Ya. Kang, F. Li et al. // International Journal of Forecasting. — 2022. — Vol. 38. — Iss. 3, July — September. — Pp. 705–871. — DOI:https://doi.org/10.1016/j.ijforecast. 2021.11.001.
4. Asadi F. Adaptive Kalman Filter for Noise Estimation and Identification with Bayesian Approach / F. Asadi, S. H. Sadati // World Academy of Science, Engineering and Technology International Journal of Mathematical and Computational Sciences. — 2021. — Vol. 15. — Iss. 10.
5. Bulgakov A. Cyber-physical System for Diagnosing and Predicting Technical Condition of Servo-drives of Mechatronic Sliding Complex during Construction of Highrise Monolithic Buildings / A. Bulgakov, T. Bock, T. Kruglova // 2020 Proceedings of the 37th ISARC. — Kitakyushu, Japan. — Pp. 339–346.
6. Serradilla O. Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects / O. Serradilla, E. Zugasti, J. Rodriguez et al. // Applied Intelligence. — 2022. — DOI:https://doi.org/10.1007/s10489-021-03004-y.
7. Баранов Л. А. Централизованное управление движением поездов городских железных дорог современного мегаполиса / Л. А. Баранов, Е. П. Балакина, С. Е. Иконников, Д. А. Антонов // Наука и техника транспорта. — 2020. — № 1. — С. 30–38.
8. Баранов Л. А. Прогнозирование случайных процессов на базе многочленов, ортогональных на множестве равноотстоящих точек / Л. А. Баранов, Е. П. Балакина // Электротехника. — 2020. — № 9. — С. 39–46.
9. Баранов Л. А. Квантование по уровню и временная дискретизация в цифровых системах управления / Л. А. Баранов. — М.: Энергоатомиздат, 1990. — 304 с.
10. Цыпкин Я. З. Теория линейных импульсных систем / Я. З. Цыпкин. — М.: Физматиздат, 1963. — C. 968.
11. Милн В. Э. Численный анализ / В. Э. Милн. — М.: ИЛ, 1951. — 292 с.
12. Березин И. С. Методы вычислений / И. С. Березин, И. П. Жидков. — М.: Физматгиз, 1959. — Т. 1. — C. 464.
13. Баранов Л. А. Адаптивный экстраполятор нестационарных случайных процессов / Л. А. Баранов // Электротехника. — 2023. — № 9. — С. 22–25. — DOI:https://doi.org/10.53891/00135860_2023_9_22.
14. CatBoost. — URL: https://catboost.ai/ (дата обращения: 13.04.2025).
15. Prokhorenkova L. CatBoost: unbiased boosting with categorical features / L. Prokhorenkova. — URL: https://arxiv. org/pdf/1706.09516 (дата обращения: 13.04.2025).
16. Ajin R. S. Optimization of SVR and CatBoost models using metaheuristic algorithms to assess landslide susceptibility / R. S. Ajin, S. Segoni, R. Fanti // Scientific Reports. — 2024. — Vol. 14. — DOI:https://doi.org/10.1038/s41598-024-72663-x.
17. Liu X. Ultra Short Term Wind Power Prediction Model Based on WRF Wind Speed Prediction and CatBoost / X. Liu, L. Zhang, Zh. Zhang, T. Zhao et al. // IOP Conference Series: Earthand Environmental Science. — 2021. — Vol. 838. — 012001. — DOI:https://doi.org/10.1088/1755-1315/838/1/012001.
18. Балакина Е. П. Анализ погрешностей прогноза для интеллектуальных систем управления и предиктивной диагностики / Е. П. Балакина, Л. А. Баранов, Ю. Чжан // Надежность. — 2023. — Т. 23. — № 2. — С. 12–18. — DOI:https://doi.org/10.21683/1729-2646-2023-23-2-12-18.
19. Баранов Л. А. Прогноз случайных процессов, при наличии единичных возмущений в интеллектуальных транспортных системах / Л. А. Баранов, А. С. Анохин, И. А. Жеребятин, Ю. Чжан // Автоматика на транспорте. — 2023. — Т. 9. — № 3. — С. 239–246. — DOI:https://doi.org/10.20295/2412-9186-2023-9- 03-239-246.
20. Баранов Л. А. Имитационное моделирование интеллектуальных экстраполяторов / Л. А. Баранов, Е. П. Балакина, Ч. Юнцян и др. // Наука и техника транспорта. — 2024. — № 3. — С. 62–67.
