dongu-vestnik04.ru Вестник Донецкого университета. Серия 04. Технические науки Vestnik of Donetsk University. Series 04. Technical Sciences 2663-4228 534 10.5281/zenodo.20800033 Articles Статьи Research Article COMPARATIVE ANALYSIS OF HYBRID ARCHITECTURES AE-LSTM AND AE-TRANSFORMER USING THE EXAMPLE OF FORECASTING THE MONTHLY OUTPUT VOLUME OF WOODWORKING PRODUCTION СРАВНИТЕЛЬНЫЙ АНАЛИЗ ГИБРИДНЫХ АРХИТЕКТУР AE-LSTM И AE-TRANSFORMER НА ПРИМЕРЕ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ МЕСЯЧНОГО ОБЪЕМА ВЫПУСКА ДЕРЕВООБРАБАТЫВАЮЩИХ ПРОИЗВОДСТВ https://orcid.org/0000-0003-1562-2956 Ponomarev Dmitrii Sergeevich Пономарёв Дмитрий Сергеевич ponomarev.dmitry1990@mail.ru 1 Филиал (г. Ижевск) ФКУ «Научно-исследовательский институт Федеральной службы исполнения наказаний», ФГБОУ ВО «Ижевский государственный технический университет имени М.Т. Калашникова» Branch (Izhevsk) of the Federal Penitentiary Service of Russia, Izhevsk State Technical University 2 NO2 (05.0) №2 (05.0) 115 126 23 07 2026 Copyright ©; 2026, Вестник Донецкого университета. Серия 04. Технические науки Copyright ©; 2026, Vestnik of Donetsk University. Series 04. Technical Sciences 2026 Вестник Донецкого университета. Серия 04. Технические науки Vestnik of Donetsk University. Series 04. Technical Sciences Эта статья распространяется на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) This article is distributed under the terms of the Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0) https://dongu-vestnik04.ru/index.php/vestnik04/article/view/534

This article presents a comparative analysis of hybrid neural network architectures—AE-LSTM and AE-Transformer—applied to the task of forecasting monthly production volumes in woodworking facilities within the penitentiary system. Experimental results demonstrated that for short-term forecasting (one month), the differences between the models were statistically insignificant: the MAPE was 9.47% for AE-LSTM and 9.02% for AE-Transformer. When the forecast horizon was extended to two months, the relative error of the AE-Transformer model was 9.4% lower, and at a three-month horizon, it was 12.4% lower. The findings indicate that the self-attention mechanism enables a better account of long-term lagged dependencies in production dynamics.

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.

 hybrid neural networks, autoencoder, recurrent neural networks, woodworking industries гибридные нейросети, автоэнкодер, рекуррентные нейронные сети, деревообрабатывающие производства

[Полный текст статьи отсутствует в исходных данных. Необходимо добавить текст из PDF или другого источника.]

Список литературы 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.