Метод відновлення пропусків у даних на основі комбінованої моделі експоненційного згладжування
DOI:
https://doi.org/10.32347/2411-4049.2025.1.125-131Ключові слова:
математичне моделювання, обробка даних, відновлення даних, експоненційне згладжування, числа ФібоначчіАнотація
Обробка та аналіз даних часто супроводжуються проблемою пропущених значень, що може значно впливати на точність моделей прогнозування та ухвалення рішень. Однією з основних причин виникнення пропусків у даних щодо енергоспоживання є періодичне відключення систем, що безпосередньо займаються збором та передачею інформації. Такі перебої можуть спричиняти втрату частини даних, що ускладнює їх подальшу обробку та аналіз. Тому розроблено підхід до заповнення пропущених значень, заснований на експоненційному згладжуванні з адаптивними коефіцієнтами, що визначаються за числами Фібоначчі. Такий метод дозволяє ефективно враховувати як короткострокові, так і довгострокові закономірності в даних, що сприяє більш точному відновленню втрачених значень. В даній статті розглядається метод відновлення пропущених даних на основі комбінованої моделі експоненційного згладжування, застосований до погодинних даних енергоспоживання за період 2016–2018 років. Запропонований підхід використовує регресійну модель, у якій регресорами виступають значення експоненційного ковзного середнього, визначені за допомогою коефіцієнтів згладжування та розмірів ковзного вікна, що базуються на числах Фібоначчі. Такий підхід дозволяє ефективно враховувати як нову, так і старішу інформацію, адаптуючи вагові коефіцієнти для точнішого відновлення пропущених значень. Використання чисел Фібоначчі для визначення параметрів згладжування у методі експоненційного згладжування дозволяє адаптивно враховувати як короткострокові, так і довгострокові тенденції в часових рядах. Запропонована модель відновлення даних ґрунтується на комбінованому прогнозуванні з використанням шести моделей експоненційного згладжування, параметри яких відповідають певним числам Фібоначчі.
Посилання
Brown, R.G. (1956). Exponential Smoothing for Predicting Demand. Cambridge, Massachusetts.
Tiner, J.H. (2004). Exploring the World of Mathematics: From Ancient Record Keeping to the Latest Advances in Computers. New Leaf Publishing Group.
Cao, Y., Yu, J., Zhong, R. et al. (2025). Forecasting Renewable energy and electricity consumption using evolutionary hyperheuristic algorithm. Sci Rep, 15, 2565. https://doi.org/10.1038/s41598-025-87013-8
Duda, V., & Rolik, O. (2023). Forecasting short-term data for the crypto market. Adaptive Automatic Control Systems, 1(42), 141–152 (In Ukrainian). [Дуда, В., & Ролік, О. (2023). Прогнозування короткочасних даних для крипторинку. Адаптивні Системи Автоматичного Управління, 1(42), 141–152]. https://doi.org/10.20535/1560-8956.42.2023.279107
Grigas, A. (2013). The Fibonacci sequence. In Senior Thesis [Thesis]. Liberty University.
Risteski, D., Kulakov, A., & Davcev, D. (2005). Single exponential smoothing method and neural network in one method for time series prediction. IEEE Conference on Cybernetics and Intelligent Systems, 2, 741–745. https://doi.org/10.1109/iccis.2004.1460680
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 О.М. Терентьєв, В.О. Дуда

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Збірник «Екологічна безпека та природокористування» працює у рамках міжнародної ліцензії Creative Commons Attribution («із зазначенням авторства») 4.0 International (CC BY 4.0).
Ліцензійна політика журналу сумісна з переважною більшістю політик відкритого доступу та архівування матеріалів.