ОПТИМІЗАЦІЯ ПРОГНОЗУВАННЯ ШЛЯХОМ УРАХУВАННЯ ПРИЧИННОГО ВПЛИВУ
DOI: 10.31673/2786-8362.2025.011761
Анотація
У статті досліджено підходи до врахування причинного впливу між змінними
у задачах прогнозування. Основна увага приділяється методу причинності Грейнджера для
виявлення часових затримок між змінними та їх подальшого застосування в побудові прогнозних
моделей. Запропоновано підхід до покращення точності LSTM-моделі шляхом інтеграції аналізу
часових затримок. Автори наголошують на важливості врахування лагових взаємозв’язків для
формування більш інформативного вхідного простору нейромережі. Експериментальні результати
свідчать про підвищення точності прогнозів за умови попереднього виявлення причинно-значущих
зв’язків.
Ключові слова: прогнозування, часові ряди, причинність Грейнджера, лаговий вплив,
нейронні мережі
Список використаної літератури
1. Habibnia A., Etesami J., Kiyavash N. Modeling Systemic Risk: A Time-Varying
Nonparametric Causal Inference Framework. SSRN. 2024. URL:
https://doi.org/10.2139/ssrn.4684230.
2. Research on condition operation monitoring of power system based on supervisory control
and data acquisition model / B. Li et al. Alexandria Engineering Journal. 2024. Vol. 99. P. 326–334.
URL: https://doi.org/10.1016/j.aej.2024.05.027.
3. Open-Source Internet of Things-Based Supervisory Control and Data Acquisition System for
Photovoltaic Monitoring and Control Using HTTP and TCP/IP Protocols / W. Khalid et al. Energies.
2024. Vol. 17, no. 16. P. 4083. URL: https://doi.org/10.3390/en17164083.
4. Lopes F. M., Dutra E., Boussetta S. Evaluation of Daily Temperature Extremes in the
ECMWF Operational Weather Forecasts and ERA5 Reanalysis. Atmosphere. 2024. Vol. 15, no. 1.
P. 93. URL: https://doi.org/10.3390/atmos15010093.
5. Siddiqi A. Value Analytics for Earth Observing Systems. IGARSS 2024 - 2024 IEEE
International Geoscience and Remote Sensing Symposium, Athens, Greece, 7–12 July 2024. 2024.
P. 3864–3867. URL: https://doi.org/10.1109/igarss53475.2024.10642411.
6. Liao S.-h., Widowati R., Lee C.-Y. Data mining analytics investigation on TikTok users'
behaviors: social media app development. Library Hi Tech. 2022. URL: https://doi.org/10.1108/lht08-2022-0368.
7. Chiang L. H., Braatz R. D. Process monitoring using causal map and multivariate statistics:
fault detection and identification. Chemometrics and Intelligent Laboratory Systems. 2003. Vol. 65,
no. 2. P. 159–178. URL: https://doi.org/10.1016/s0169-7439(02)00140-5.
8. Nadim K., Ragab A., Ouali M.-S. Data-driven dynamic causality analysis of industrial
systems using interpretable machine learning and process mining. Journal of Intelligent
Manufacturing. 2022. URL: https://doi.org/10.1007/s10845-021-01903-y.
9. Беспала О.М. Інструментарій причинно-наслідкового висновку: огляд та
перспективи. Control Systems and Computers. 2020. № 5 (289). С. 52–63.
URL: https://doi.org/10.15407/csc.2020.05.052.
10. Deep understanding in industrial processes by complementing human expertise with
interpretable patterns of machine learning / A. Ragab et al. Expert Systems with Applications. 2019.
Vol. 122. P. 388–405. URL: https://doi.org/10.1016/j.eswa.2019.01.011.
11. Беспала О. М., Отрох С. І.. Ружинський В. Г.. Моделювання спрямованого ациклічного
графа для причинного висновку. Наукові записки Державного університету телекомунікацій.
2023. № 2 (1) С. 87-95 DOI: 10.31673/2518-7678.2023.020202.
12. Беспала О. М. Метод пошуку та оцінки впливу причинно-наслідкових зв’язків в
системах прийняття рішень. Вісник НТУ "ХПІ". Серія: Інформатика та моделювання.
2020. № 2 (4). С. 59 – 72.
13. Granger C. W. J. Investigating Causal Relations by Econometric Models and Cross-spectral
Methods. Econometrica. 1969. Vol. 37, no. 3. P. 424. URL: https://doi.org/10.2307/1912791.
