EXPERIMENTAL ANALYSIS OF NEURAL NETWORK-BASED MODELS FOR INTELLECTUAL FORECASTING IN ENGINEERING SYSTEMS
Keywords:
Нейронные сети, интеллектуальное прогнозирование, LSTM, MLP, инженерные системы, статистический анализ, временные ряды, точность прогнозаAbstract
В данной статье проводится экспериментальный анализ эффективности моделей на основе нейронных сетей для интеллектуального прогнозирования в инженерных системах. Целью исследования является сравнение возможностей многослойного перцептрона (MLP) и сетей долгой краткосрочной памяти (LSTM) в прогнозировании временных рядов. В ходе эксперимента использовались данные промышленного производства и показатели энергопотребления. Результаты показывают, что модели LSTM продемонстрировали высокую точность (96,4%) при изучении нелинейных динамических процессов, а показатель MSE снизился на 42% по сравнению с традиционными моделями. Полученные в статье статистические данные подтверждают важность нейронных сетей в оптимизации инженерных процессов.References
1. Brownlee, J. (2018). Deep Learning for Time Series Forecasting. Machine Learning Mastery.
2. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8).
3. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
4. Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50.
5. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and Practice. OTexts.
6. Chollet, F. (2017). Deep Learning with Python. Manning Publications.
7. Aggarwal, C. C. (2018). Neural Networks and Deep Learning. Springer.
8. Nielsen, M. A. (2015). Neural Networks and Deep Learning. Determination Press.
9. Grainger, J. J., & Stevenson, W. D. (1994). Power System Analysis. McGraw-Hill.
10. Box, G. E., Jenkins, G. M., & Reinsel, G. C. (2015). Time Series Analysis: Forecasting and Control. Wiley.
11. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521.
12. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
13. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to forget: Continual prediction with LSTM. Neural Computation.
14. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
15. Karpathy, A. (2015). The Unreasonable Effectiveness of Recurrent Neural Networks. Andrej Karpathy Blog.