Моделирование состояния оборудования на основе стекинга алгоритмов машинного обучения Random Forest и ARIMA

В статье рассматриваются алгоритмы построения прогнозной модели состояния промышленного оборудования с использованием методов анализа данных и машинного обучения. В основу построения модели положены алгоритмы Random Forest (RF) и ARIMA (AR), изучены особенности применения алгоритмов, обучения моделей и подбора оптимальных параметров; показана необходимость использования второго алгоритма. Приведена структурная схема модели прогнозирования временных рядов с использованием стекинга, оценка результатов моделирования.

Крюков Ю. А., Чернягин Д. В. ARIMA – модель прогнозирования значений трафика // Информационные технологии и вычислительные системы. – 2011. – № 2. – С. 41–49.
Летова М. С. Реализация регрессивных и классификационных задач с помощью метода Random Forest // E-Scio. – 2017. – № 8 (11). – С. 15–21.
Пилюгина А. В., Бойко А. А. Использование моделей ARIMA для прогнозирования валютного курса // Прикаспийский журнал: управление и высокие технологии. – 2015. – № 4 (32). – С. 249–267.
Трегуб А. В. Методика построения модели ARIMA для прогнозирования динамики временных рядов // Лесной вестник. – 2011. – № 5. – С. 179–183.
Шаханов Н. И., Варфоломеев И. А., Ершов Е. В., Юдина О. В. Прогнозирование отказов роликов отводящего рольганга при производстве горячекатаного проката // Производство проката. – 2018. – № 7. – С. 9–14.
Шаханов Н. И., Юдина О. В., Ершов Е. В., Виноградова Л. Н., Мишутушкин М. А., Вар-фоломеев И. А. Оценка состояния отводящего рольганга стана 2000 ПАО «Северсталь» на основе анализа данных и машинного обучения // Вестник Череповецкого государственного университета. – 2020. – № 2 (95). – С. 47–55.
Svetnik V., Liaw A., Tong C., Culberson J. C., Sheridan R. P., Feuston B. P. Random Forest: A Classification and Regression Tool for Compound Classification and QSAR Modeling // Journal of Chemical Information and Computer Sciences. – 2003. – Vol. 43. – № 6. – P. 1947–1958.