Библиографическое описание:Интеллектуальная модель прогнозирования объемов образования отходов на основе методов машинного обучения : научное издание / Т. А. Панфилова [и др.]. - Текст : непосредственный // Устойчивое развитие горных территорий. - 2026. - Т. 18, № 2. - С. 1107-1120. - ISSN 1998-4502. - ISSN 2499-975X, DOI 10.21177/1998-4502-2026-18-2-1107-1120.
Аннотация:В статье рассматривается задача повышения точности прогнозирования производственных показателей на основе методов искусственного интеллекта с использованием ограниченного объема статистических данных промышленного предприятия. Предложена методика построения интеллектуальной модели, включающая предварительную обработку исходной информации, очистку данных, нормализацию признаков, устранение мультиколлинеарности, отбор наиболее информативных факторов и последующее обучение модели случайного леса. Представлена схема проведения вычислительных экспериментов и выполнена оценка устойчивости разработанного алгоритма с использованием перекрестной проверки и комплекса статистических критериев качества. Исследованы влияние структуры обучающей выборки, отдельных входных параметров и уровня шумовых воздействий на точность прогнозирования. Показано, что разработанная модель обеспечивает коэффициент детерминации 0,972 при средней абсолютной процентной ошибке 2,84 %, демонстрируя высокую устойчивость и хорошее соответствие расчетных результатов экспериментальным данным. Установлено, что наибольшее влияние на качество прогнозирования оказывают объем выпуска продукции, расход сырья и коэффициент загрузки оборудования. Полученные результаты подтверждают эффективность применения методов машинного обучения для повышения достоверности прогнозирования производственных процессов и возможность их использования при разработке интеллектуальных систем поддержки принятия решений.
Introduction. Accurate forecasting of production - related indicators is an essential prerequisite for improving planning efficiency, optimizing industrial processes, and supporting operational decision - making. Traditional statistical forecasting techniques often demonstrate limited performance when dealing with nonlinear relationships among multiple technological variables. This study proposes an artificial intelligence - based forecasting approach designed to improve prediction accuracy using a limited set of industrial statistical data. The proposed methodology emphasizes comprehensive data preprocessing and machine learning to increase the reliability of forecasting results under real production conditions. Methods. The study was carried out using monthly statistical data collected from an industrial enterprise over several consecutive years. The proposed methodology included data cleaning, elimination of outliers, feature normalization using the Min - Max approach, multicollinearity analysis based on Pearson correlation coefficients, feature selection, and model training using the Random Forest algorithm. Model hyperparameters were optimized through Grid Search, while prediction robustness was evaluated using 10 - fold cross - validation. Forecasting performance was assessed by the coefficient of determination (R²), mean absolute error (MAE), root mean square error (RMSE), mean absolute percentage error (MAPE), the Shapiro-Wilk normality test, and the Durbin-Watson statistic. Results. The developed forecasting model demonstrated high predictive capability after data preprocessing and feature optimization. The coefficient of determination reached 0.972, while the mean absolute percentage error was limited to 2.84%. The average prediction error remained 8.7 t, and the correlation coefficient between predicted and observed values reached 0.986. Cross - validation confirmed stable model performance without evidence of overfitting. The analysis of feature importance showed that production output, raw material consumption, and equipment utilization had the greatest influence on forecasting accuracy. Additional computational experiments demonstrated that the model preserved high predictive performance under moderate data noise and maintained reliable forecasting accuracy for short - and medium - term prediction horizons. Conclusions. The obtained results confirm that machine learning algorithms can substantially improve forecasting accuracy compared with conventional statistical approaches when analyzing complex industrial datasets. The proposed methodology provides stable and reproducible predictions while requiring only standard computing resources and widely available software tools. The developed approach can be applied to industrial forecasting tasks and integrated into intelligent decision - support systems. Future research should focus on expanding the range of input variables, increasing the temporal coverage of the training dataset, and investigating hybrid artificial intelligence models to further improve forecasting performance.
Держатель оригинала документа:Московский государственный технический университет имени Н.Э. Баумана, Российский государственный аграрный университет - МСХА имени К.А. Тимирязева, Сибирский федеральный университет
Количество экземпляров:
Твёрдая копия издания отсутствует в фонде библиотеки
