В СибГУТИ разработали алгоритм для быстрого и точного прогнозирования курсов валют, погоды и других процессов

Исследователь из Сибирского государственного университета телекоммуникаций и информатики (СибГУТИ) разработал алгоритм на основе машинного обучения, который позволяет осуществлять быстрый и точный анализ временных рядов. Этот метод предлагается использовать для прогнозирования погоды, валютных курсов, состояния фондового рынка и других процессов.

Временной ряд представляет собой любую последовательность событий, распределённую во времени, поясняют в СибГУТИ. Высокоэффективный метод прогнозирования временных рядов был ранее предложен математиком Борисом Яковлевичем Рябко, однако его реализация требует значительных усилий и сложных математических вычислений. Новый алгоритм позволяет эффективно применять этот метод, обеспечивая максимальную точность и скорость анализа. 

«Этот алгоритм позволяет реализовать метод прогнозирования временных рядов таким образом, что его трудоёмкость достигает максимально возможной эффективности. Он может работать в онлайн-режиме, огромные данные считывать сходу, обрабатывать и сразу же выдавать прогнозы с огромной скоростью», — рассказал создатель алгоритма, доцент кафедры прикладной математики и кибернетики СибГУТИ Антон Ракитский.

Сейчас команда учёных разрабатывает библиотеку алгоритмов и методов для анализа временных рядов.

«Это набор разных методов, эффективно реализованных, оптимизированных, которые позволяют прогнозировать временные ряды. У нас есть уже методы для считывания, для предварительной обработки и подготовки данных, для переключения между алфавитами и прочими вещами», — уточняет Ракитский.

Библиотеку смогут использовать разработчики ПО для анализа конкретных временных рядов и решения задач различных компаний или ведомств.

В СибГУТИ планируют в следующем году начать работу по улучшению прогнозирования потребления газа для компании «Газпром межрегионгаз Новосибирск», индустриального партнёра университета. Задача учёных — снизить погрешность прогнозирования с 10% до 3%. Команда планирует создать модель, которая будет давать точные прогнозы потребления газа для различных категорий пользователей.