Стекінгова гібридна модель прогнозування часових рядів

Abstract

В умовах зростання екологічних ризиків задача прогнозування рівнів забруднення набуває все більшої актуальності. Традиційні статистичні моделі, наприклад, ARIMA демонструють високу точність на фонових рівнях забруднення, проте втрачають якість прогнозу у разі пікових концентрацій, що є критичними з погляду впливу на здоров’я. Моделі машинного навчання, зокрема градієнтний бустинг, навпаки, краще відтворюють нелінійні піки, проте їхня точність суттєво знижується зі збільшенням терміну прогнозу через поступове накопичення похибок на кожному кроці розрахунку. Зазначені обмеження зумовлюють необхідність розробки гібридних підходів, здатних поєднати переваги обох класів моделей. Розроблено та досліджено гібридну стекінгову архітектуру прогнозування погодинного часового ряду, що поєднує структурну модель Prophet та алгоритм градієнтного бустингу LightGBM. На відміну від традиційного підходу корекції залишків, у запропонованій архітектурі прогноз Prophet використовується як детермінована сезонна ознака поряд з авторегресійними та календарними ознаками, на основі яких LightGBM безпосередньо передбачає цільове значення. Реалізацію та тестування запропонованої моделі виконано з використанням реальних даних моніторингу якості атмосферного повітря, отриманих від мережі громадського моніторингу атмосферного повітря EcoCity. Статистичну значущість результатів підтверджено критерієм Діболда–Маріано. Порівняння з базовими моделями показало, що гібридна модель статистично значуще перевершує моделі-базиси та демонструє найзбалансованішу точність. Отримані результати свідчать про перевагу гібридної архітектури над моделями-базисами як за загальною точністю, так і за стабільністю на довгих горизонтах прогнозування.As environmental risks continue to grow, the task of forecasting pollution levels is becoming increasingly important. Traditional statistical models such as ARIMA demonstrate high accuracy at background pollution levels but lose forecast quality at peak concentrations that are critical from a public health perspective. Machine learning models, in particular gradient boosting, conversely, perform better at reproducing nonlinear peaks, but degrade over long forecast horizons due to recursive error accumulation. These limitations necessitate the development of hybrid approaches capable of combining the advantages of both model classes. A hybrid stacking architecture for hourly time series forecasting has been developed and investigated, it combines the structural Prophet model and the LightGBM gradient boosting algorithm. Unlike the traditional residual correction approach, in the proposed architecture the Prophet forecast is used as a deterministic seasonal feature alongside autoregressive and calendar features, on the basis of which LightGBM directly predicts the target value. The implementation and testing of the proposed model were carried out using real air quality monitoring data obtained from the EcoCity public air quality monitoring network. The statistical significance of the results was confirmed by the DieboldMariano test. Comparison with baseline models showed that the hybrid model statistically significantly outperforms the baseline models and demonstrates no critical accuracy failures across all concentration regimes. The results obtained confirm the feasibility of using the proposed model in early warning systems for hazardous air pollution levels.