Ссылка для цитирования : Соболевский В. А. Автоматизация создания моделей машинного обучения для решения задач прогнозирования временных рядов // Изв. вузов. Приборостроение. 2024. Т. 67, № 11. С. 951– 957. DOI: 10.17586/0021-3454-2024-67-11-951-957.

Аннотация. Для автоматизации создания моделей машинного обучения, прогнозирующих временные ряды, предложено использовать AutoML-подход. Рассматриваются алгоритмы и технологии, позволяющие реализовать автоматизацию создания моделей. Выбрана гибридная архитектура машинного обучения, которая использовалась при решении задач автоматизации структурно-параметрического синтеза моделей и оптимизации гиперпараметров, а также при автоматическом выборе показателей оценки качества синтезированных моделей. Пользовательский интерфейс для данной системы реализован на основе платформы AutoGenNet, воплощающей концепцию No-Code разработки, которая позволяет скрыть от пользователей сложность процессов создания и обучения моделей, что обеспечивает снижение порога вхождения для работы с программой. Использование платформы AutoGenNet позволяет реализовать механизм генерации программных оболочек для эксплуатации обученных моделей, а также обеспечить автоматизацию процессов генерации и обучения гибридных моделей, что упрощает и ускоряет процесс решения задач прогнозирования временных рядов с помощью моделей машинного обучения. Полученные результаты могут быть масштабированы и использованы для создания моделей прогнозирования временных рядов в различных прикладных задачах.

Ключевые слова: машинное обучение, прогнозирование временных рядов, AutoML, линейная регрессия, XGBoost

Благодарность: исследования, выполненные по данной тематике, проводились при частичной финансовой поддержке бюджетной темы № FFZF-2022-0004.

Список литературы:

1. Houndekindo F., Ouarda T. B. M. J. Prediction of hourly wind speed time series at unsampled locations using machine learning // Energy. 2024. Vol. 299, N 131518.
2. Moreno F. P., Rodriguez F. I., Comendador V. F. G., Jurado R. D.-A., Suarez M. Z., Valdes R. M. A. Prediction of air traffic complexity through a dynamic complexity indicator and machine learning models // Journal of Air Transport Management. 2024. Vol. 119, N 102632.
3. Cooper C., Zhang J., Ragai I., Gao R. X. Multi-sensor fusion and machine learning-driven sequence-to-sequence translation for interpretable process signature prediction in machining // Journal of Manufacturing Systems. 2024. May. DOI:10.1016/j.jmsy.2024.04.010.
4. Kebede Y.B., Yang M.-D., Huang C.-W. Real-time pavement temperature prediction through ensemble machine learning // Engineering Applications of Artificial Intelligence. 2024. Vol. 135, N 08870.
5. Naeini S. S., Snaiki R. A physics-informed machine learning model for time-dependent wave runup prediction // Ocean Engineering. 2024. Vol. 295, N 116986.
6. Castillo A. F., Garibay M. V., Diaz-Vazquez D., Yebra-Montes C., Brown L. E., Johnson A., Garcia-Gonzalez A., Gradilla-Hernandez M. S. Improving river water quality prediction with hybrid machine learning and temporal analysis // Ecological Informatics. 2024. Vol. 82, N 102655.
7. Feurer M., Klein A., Eggensperger K., Springenberg T. J., Blum M., Hutter F. Auto-sklearn: Efficient and Robust Automated Machine Learning // Automated Machine Learning. 2019. P. 113–134.
8. Jin H., Song Q., Hu X. Auto-Keras: An Efficient Neural Architecture Search System // arXiv:1806.10282 [cs]. 2019.
9. Shure L. Building Optimized Models in a few steps with AutoML. 2020 [Электронный ресурс]: https://blogs. mathworks.com/loren/2020/06/13/building-optimized-models-in-a-few-steps-with-automl/, 26.06.2024.
10. Zeng Y., Zhang J. A machine learning model for detecting invasive ductal carcinoma with Google Cloud AutoML Vision // Computers in Biology and Medicine. 2020. Vol. 122, N 103861.
11. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // arXiv:1603.02754 [cs]. 2016.
12. McCall J. Genetic algorithms for modelling and optimization // Journal of Computational and Applied Mathematics. 2005. Vol. 184, iss. 1. P. 205–222.
13. Sobolevskii V. A. The system of convolution neural networks automated training // CEUR Workshop Proceedings. 2020. P. 100–106.
14. Михайлов В. В., Пономаренко М. Р., Соболевский В. А. Моделирование влияния климатических факторов на динамику надземной фитомассы растительных сообществ тундры // Глобальные климатические изменения: региональные эффекты, модели, прогнозы: Материалы Междунар. науч.-практ. конф. Воронеж: Изд-во „Цифровая полиграфия“, 2019. Т. 2. C. 106–109.
15. Свид. о рег. программ для ЭВМ № 2021668925. Программа автоматизированной генерации и обучения искус- ственных нейронных сетей / Б. В. Соколов, В. А. Соболевский. 22.10.2021.
16. Соболевский В. А. Использование технологий AutoML для решения задач мониторинга // Информатизация и связь. 2024. № 1. С. 90–97.