Registration Number
2125U011846, Article
popup.category
Стаття
Title
Neural network ensemble for time series forecasting based on Prophet and LSTM
popup.author
Лосенко А. В.
Козачко О. М.
Варчук І. В.
Losenko A. V.
Kozachko O. M.
Varchuk I. V.
Losenko A. V.
Kozachko O. M.
Varchuk I. V.
popup.publication
28-11-2025
popup.source_user
Вінницький національний технічний університет
popup.source
https://ir.lib.vntu.edu.ua/handle/123456789/50177
popup.publisher
Вінницький національний технічний університет
Description
У статті розглядається застосування моделей машинного навчання для оптимізації прогнозування часових рядів, що є актуальним завданням у багатьох галузях, включаючи охорону здоров'я. Особлива увага приділяється використанню моделі Prophet у поєднанні з ансамблевими методами, такими як моделі машинного навчання на основі нейронних мереж, зокрема LSTM, GRU, а також інших рекурентних нейронних мереж, для створення високоточного прогнозування кількості хворих на COVID-19 в Україні протягом 2020 – 2022 років. Прогнозування часових рядів є важливим інструментом для аналізу та моделювання тенденцій, які мають складну природу залежностей. Наприклад, у сфері охорони здоров'я прогнозування кількості хворих дозволяє заздалегідь оцінити навантаження на систему охорони здоров'я та планувати відповідні ресурси. У цьому контексті використання моделей, які здатні враховувати як короткострокові, так і довгострокові тренди, є критично важливим. Prophet, відомий своєю здатністю точно моделювати сезонні компоненти, доповнюється потужністю LSTM для обробки нелінійних залежностей, що забезпечує значне покращення точності прогнозів. Додатково у статті розглядається можливість використання гібридних підходів, які комбінують результати традиційних методів і моделей глибокого навчання. Такий підхід дозволяє враховувати складні закономірності у часових рядах, які не завжди можуть бути повністю враховані однією моделлю. Гібридні підходи забезпечують багаторівневий аналіз даних, де статистичні методи, такі як Prophet, моделюють основні тренди та сезонність, тоді як глибокі нейронні мережі, наприклад LSTM, обробляють нелінійні та короткострокові залежності. Результати дослідження можуть бути використані для аналізу інших часових рядів, що робить запропонований підхід універсальним та перспективним для подальшого розвитку.
popup.nrat_date
2026-11-02