СРАВНИТЕЛЬНЫЙ АНАЛИЗ ГИБРИДНЫХ АРХИТЕКТУР AE-LSTM И AE-TRANSFORMER НА ПРИМЕРЕ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ МЕСЯЧНОГО ОБЪЕМА ВЫПУСКА ДЕРЕВООБРАБАТЫВАЮЩИХ ПРОИЗВОДСТВ
DOI:
https://doi.org/10.5281/zenodo.20800033Ключевые слова:
гибридные нейросети, автоэнкодер, рекуррентные нейронные сети, деревообрабатывающие производстваЛицензия
Аннотация
В статье представлен сравнительный анализ гибридных нейросетевых архитектур AE-LSTM и AE-Transformer на примере решения задачи прогнозирования месячного объема выпуска деревообрабатывающих производств пенитенциарной системы. Экспериментальные результаты показали, что при краткосрочном прогнозировании (1 месяц) различия между моделями статистически незначимы: MAPE составила 9,47% для AE-LSTM и 9,02% для AE-Transformer. При увеличении горизонта прогнозирования до 2 месяцев относительная ошибка AE-Transformer оказалась ниже на 9,4%, а при горизонте 3 месяца – на 12,4%. В ходе полученных результатов, установлено, что механизм самовнимания позволяет лучше учитывать долгосрочные лаговые зависимости производственной динамики.
Скачивания
Библиографические ссылки
1. Пентегов, С. И. Планирование производственного процесса механической обработки брусовых заготовок как элемент повышения экономической безопасности подразделений уголовно-исполнительной системы / С. И. Пентегов, О. В. Савина // Человек: преступление и наказание. – 2024. – Т. 32, № 3. – С. 412-423. – DOI 10.33463/2687-1238.2024.32(1-4).3.412-423. – EDN IBLDMC.
2. Титов, Д. В. Общие проблемы энергосбережения в УИС и на деревообрабатывающем производстве / Д. В. Титов // Ведомости уголовно-исполнительной системы. – 2013. – № 9(136). – С. 28-31. – EDN SETUNZ.
3. Пентегов, С. И. Производство деревянных конструкций на предприятиях переработки древесины как элемент повышения экономической безопасности уголовно-исполнительной системы / С. И. Пентегов, О. В. Савина // Человек: преступление и наказание. – 2024. – Т. 32, № 1. – С. 92-100. – DOI 10.33463/2687-1238.2024.32(1-4).1.092-100. – EDN CKMODZ.
4. Пономарев, Д. С. методы оценки параметров трудовых ресурсов производственного сектора пенитенциарной системы / Д. С. Пономарев // Научно-технический вестник Поволжья. – 2024. – № 2. – С. 98-100. – EDN YNVSCA.
5. Грязнов, С. А. Проблемы и перспективы труда осужденных / С. А. Грязнов // Экономика и бизнес: теория и практика. – 2023. – № 1-1(95). – С. 111-113. – DOI 10.24412/2411-0450-2023-1-1-111-113. – EDN ORPCTM.
6. A new hybrid model for improving outlier detection using combined autoencoder and variational autoencoder / A. M. Daoud, O. M. Elkomy, W. I. Khedr, Kh. M. Hosny // Scientific Reports. – 2025. – Vol. 15, No. 1. – P. 43387. – DOI 10.1038/s41598-025-28976-6. – EDN FUETQS.
7. Ko, Y. Generative autoencoder to prevent overregularization of variational autoencoder / Y. Ko, S. Ko, Y. Kim // ETRI Journal. – 2024. – DOI 10.4218/etrij.2023-0375. – EDN TPWCYP.
8. Murugesan, R. Forecasting agricultural commodities prices using deep learning-based models: basic LSTM, bi-LSTM, stacked LSTM, CNN LSTM, and convolutional LSTM / R. Murugesan, E. Mishra, A. H. Krishnan // International Journal of Sustainable Agricultural Management and Informatics. – 2022. – Vol. 8, No. 3. – P. 242. – DOI 10.1504/ijsami.2022.125757. – EDN ULWPDE.
9. Zeng, C. Shift Transformer In Transformer Network for Chinese Ship License Recognition / C. Zeng, J. Xian // International Journal of High Speed Electronics and Systems. – 2025. – P. 2540817. – DOI 10.1142/s0129156425408174. – EDN JXXIGT.
10. Song, Zh. A Hybrid DNN-Transformer-AE Framework for Corporate Tax Risk Supervision and Risk Level Assessment / Zh. Song, N. Wang, H. Li // Economics and Management Innovation. – 2025. – Vol. 2, No. 5. – P. 79-85. – DOI 10.71222/s7w5p167. – EDN YDUCNZ.
11. Mixtures of posterior and prior variational autoencoders for representation learning and cluster analysis in latent space / M. H. Chowdhury, Yu. Hirose, S. Marsland, Yu. Yao // Neurocomputing. – 2025. – Vol. 657. – P. 131524. – DOI 10.1016/j.neucom.2025.131524. – EDN AITFXN.
12. Kächele, F. A comparison of latent space modeling techniques in a plain-vanilla autoencoder setting / F. Kächele, M. Coblenz, O. Grothe // Machine Learning. – 2025. – Vol. 114, No. 7. – P. 151. – DOI 10.1007/s10994-025-06784-3. – EDN QSBYPB.
13. Reduced order modeling of non-linear monopile dynamics via an AE-LSTM scheme / T. Simpson, N. Dervilis, Ph. Couturier [et al.] // Frontiers in Energy Research. – 2023. – Vol. 11. – DOI 10.3389/fenrg.2023.1128201. – EDN LAWVSL.
REFERENCES LIST
1. Pentegov, S. I. Planirovanie proizvodstvennogo protsessa mekhanicheskoi obrabotki brusovykh zagotovok kak element povysheniia ekonomicheskoi bezopasnosti podrazdelenii ugolovno-ispolnitelnoi sistemy / S. I. Pentegov, O. V. Savina // Chelovek: prestuplenie i nakazanie. – 2024. – T. 32, № 3. – S. 412-423. – DOI 10.33463/2687-1238.2024.32(1-4).3.412-423. – EDN IBLDMC.
2. Titov, D. V. Obshchie problemy energosberezheniia v UIS i na derevoobrabatyvaiushchem proizvodstve / D. V. Titov // Vedomosti ugolovno-ispolnitelnoi sistemy. – 2013. – № 9(136). – S. 28-31. – EDN SETUNZ.
3. Pentegov, S. I. Proizvodstvo dereviannykh konstruktsii na predpriiatiiakh pererabotki drevesiny kak element povysheniia ekonomicheskoi bezopasnosti ugolovno-ispolnitelnoi sistemy / S. I. Pentegov, O. V. Savina // Chelovek: prestuplenie i nakazanie. – 2024. – T. 32, № 1. – S. 92-100. – DOI 10.33463/2687-1238.2024.32(1-4).1.092-100. – EDN CKMODZ.
4. Ponomarev, D. S. metody otsenki parametrov trudovykh resursov proizvodstvennogo sektora penitentsiarnoi sistemy / D. S. Ponomarev // Nauchno-tekhnicheskii vestnik Povolzhia. – 2024. – № 2. – S. 98-100. – EDN YNVSCA.
5. Griaznov, S. A. Problemy i perspektivy truda osuzhdennykh / S. A. Griaznov // Ekonomika i biznes: teoriia i praktika. – 2023. – № 1-1(95). – S. 111-113. – DOI 10.24412/2411-0450-2023-1-1-111-113. – EDN ORPCTM.
6. A new hybrid model for improving outlier detection using combined autoencoder and variational autoencoder / A. M. Daoud, O. M. Elkomy, W. I. Khedr, Kh. M. Hosny // Scientific Reports. – 2025. – Vol. 15, No. 1. – P. 43387. – DOI 10.1038/s41598-025-28976-6. – EDN FUETQS.
7. Ko, Y. Generative autoencoder to prevent overregularization of variational autoencoder / Y. Ko, S. Ko, Y. Kim // ETRI Journal. – 2024. – DOI 10.4218/etrij.2023-0375. – EDN TPWCYP.
8. Murugesan, R. Forecasting agricultural commodities prices using deep learning-based models: basic LSTM, bi-LSTM, stacked LSTM, CNN LSTM, and convolutional LSTM / R. Murugesan, E. Mishra, A. H. Krishnan // International Journal of Sustainable Agricultural Management and Informatics. – 2022. – Vol. 8, No. 3. – P. 242. – DOI 10.1504/ijsami.2022.125757. – EDN ULWPDE.
9. Zeng, C. Shift Transformer In Transformer Network for Chinese Ship License Recognition / C. Zeng, J. Xian // International Journal of High Speed Electronics and Systems. – 2025. – P. 2540817. – DOI 10.1142/s0129156425408174. – EDN JXXIGT.
10. Song, Zh. A Hybrid DNN-Transformer-AE Framework for Corporate Tax Risk Supervision and Risk Level Assessment / Zh. Song, N. Wang, H. Li // Economics and Management Innovation. – 2025. – Vol. 2, No. 5. – P. 79-85. – DOI 10.71222/s7w5p167. – EDN YDUCNZ.
11. Mixtures of posterior and prior variational autoencoders for representation learning and cluster analysis in latent space / M. H. Chowdhury, Yu. Hirose, S. Marsland, Yu. Yao // Neurocomputing. – 2025. – Vol. 657. – P. 131524. – DOI 10.1016/j.neucom.2025.131524. – EDN AITFXN.
12. Kächele, F. A comparison of latent space modeling techniques in a plain-vanilla autoencoder setting / F. Kächele, M. Coblenz, O. Grothe // Machine Learning. – 2025. – Vol. 114, No. 7. – P. 151. – DOI 10.1007/s10994-025-06784-3. – EDN QSBYPB.
13. Reduced order modeling of non-linear monopile dynamics via an AE-LSTM scheme / T. Simpson, N. Dervilis, Ph. Couturier [et al.] // Frontiers in Energy Research. – 2023. – Vol. 11. – DOI 10.3389/fenrg.2023.1128201. – EDN LAWVSL.
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
