Остання редакція: 2026-06-20
Анотація
Досліджено задачу оцінювання впливу зовнішніх контекстних ознак на точність та інтервальну надійність сценарного прогнозування нестаціонарних часових рядів. Запропоновано модифікацію сценарного ансамблю A3-X, у якій числова історія ряду доповнюється ознаками зовнішнього середовища та текстового контексту перед корекцією прогнозу. На прикладі епідемічного часового ряду показано, що використання запропонованої модифікації дозволило зменшити середню WAPE з 2,1755 до 1,6127, підвищити емпіричне покриття прогнозних інтервалів з 0,7857 до 0,8893 та збільшити інтегральний критерій J з 0,6484 до 0,6642, що свідчить про доцільність урахування зовнішнього контексту в сценарному прогнозуванні.
Abstracts: The problem of assessing the impact of external contextual features on the accuracy and interval reliability of scenario-based forecasting of non-stationary time series is investigated. The A3-X modification of the scenario ensemble is proposed, in which the numerical history of the series is supplemented with external environment and textual context features before forecast correction. Using an epidemic time series as an example, it is shown that the proposed modification reduced mean WAPE from 2.1755 to 1.6127, increased empirical prediction interval coverage from 0.7857 to 0.8893, and improved the integral criterion J from 0.6484 to 0.6642. This indicates the feasibility of incorporating external context into scenario-based forecasting.
Ключові слова
Посилання
1. Варер Б. Ю. Технологія декомпозиції та ансамблювання моделей для зменшення невизначеності та підвищення узгодженості прогнозів на основі LLM / Б. Ю. Варер // Наукові праці Вінницького національного технічного університету. – 2025. – № 4. – С. 129–137. – DOI: 10.31649/2307-5376-2025-4-129-137.
2. Варер Б. Ю. Знання-орієнтована ієрархічна мультиагентна інтелектуальна система сценарного прогнозування часових рядів на основі LLM / Б. Ю. Варер, В. Б. Мокін // Вісник ВПІ. – 2026. – № 1.
3. Jin M. Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [Електронний ресурс] / M. Jin, S. Wang, L. Ma et al. – 2023. – Режим доступу: https://arxiv.org/abs/2310.01728.
4. Wang X. From News to Forecast: Integrating Event Analysis in LLM-Based Time Series Forecasting with Reflection [Електронний ресурс] / X. Wang, M. Feng, J. Qiu, J. Gu, J. Zhao. – 2024. – Режим доступу: https://arxiv.org/abs/2409.17515.
5. Hale T. A global panel database of pandemic policies (Oxford COVID-19 Government Response Tracker) / T. Hale et al. // Nature Human Behaviour. – 2021. – Vol. 5. – P. 529–538. – DOI: 10.1038/s41562-021-01079-8.
6. Aktay A. Google COVID-19 Community Mobility Reports: Anonymization Process Description (version 1.1) [Електронний ресурс] / A. Aktay, S. Bavadekar, G. Cossoul et al. – 2020. – Режим доступу: https://arxiv.org/abs/2004.04145.