Технологія декомпозиції та ансамблювання моделей для зменшення невизначеності та підвищення узгодженості прогнозів на основі LLM

Abstract

У статті запропоновано нову технологію прогнозування часових рядів із високим рівнем невизначеності, побудовану на основі ансамблю простих моделей та великої мовної моделі (LLM), яка визначає структурні параметри ансамблю, відповідно до теоретично обґрунтованого критерію оптимальності. Актуальність проблеми зумовлена складністю коротко- та середньострокового прогнозування даних екологічного моніторингу, епідемічних процесів, фінансових даних тощо після різких змін ситуації, коли треба робити прогноз за короткими рядами даних, за умов невизначеності, нерегулярності, неповноти та нестаціонарності вхідних даних. Запропоновано теоретично обґрунтовану технологію зменшення прогнозної невизначеності та підвищення узгодженості прогнозів нестаціонарних часових рядів, яка базується на декомпозиції часових даних на локальні інтервали та оптимальному ансамблюванні моделей із використанням інтегрального критерію втрат. Зменшення прогнозної невизначеності трактується не як механічне звуження інтервалів прогнозування, а як зменшення некаліброваної та неінформативної невизначеності шляхом досягнення узгодженого балансу між точністю прогнозу, шириною та покриттям інтервалів прогнозування. Удосконалено підхід до ансамблевого прогнозування часових рядів шляхом формалізації задачі вибору структури ансамблю як задачі мінімізації інтегральних втрат, що одночасно враховують похибку прогнозу, ширину та каліброваність інтервалів прогнозування, а також структурну узгодженість розподілу ваг моделей, що дозволяє отримувати більш стабільні та узгоджені прогнозні рішення. Дістало подальшого розвитку системно-аналітичне обґрунтування використання простих локальних моделей на коротких часових інтервалах, за рахунок доведення умов, за яких ансамблювання таких моделей забезпечує зменшення прогнозної невизначеності та підвищення узгодженості результатів, що дозволяє застосовувати запропоновану технологію як базовий механізм координації рішень в мультиагентних системах та ансамблях LLM. Проведено прикладне дослідження прогнозування COVID-19 в Україні у період першої великої хвилі в кінці 2020 року на основі історичних даних лише за півроку і за відсутності подібних рядів у минулому. На основі віконного аналізу (28 днів історії, 14 днів прогнозу) показано, що запропонована технологія забезпечує у 2,3 разів меншу метрику WAPE (аналог відносної похибки) порівняно з відомими моделями та забезпечує суттєво краще каліброване прогнозування, що проявляється у досягненні емпіричного покриття інтервалів на 0,85, за відсутності покриття в моделях-аналогах.Це свідчить не лише про зменшення похибки та некаліброваної прогнозної невизначеності, а й про підвищення узгодженості прогнозів, оскільки точкові та інтервальні оцінки формують єдиний сценарій динаміки процесу, який не містить протиріч. Результати демонструють можливість використання гібридних LLM-керованих ансамблів для задач підтримки прийняття рішень у ситуаціях високої невизначеності та за відсутності структурно сталих моделей.