ПОСТРОЕНИЕ МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПРИКЛАДНЫХ ЗАДАЧ С ПРИМЕНЕНИЕМ ГЕНЕРАТИВНЫХ СОСТЯЗАТЕЛЬНОЙ СЕТИ
Ключевые слова:
генеративно-состязательные сети (GAN), прогнозирование временных рядов, качество воздуха, нейронные сети LSTM, TimeGAN, обработка метеоданных, оптимизация гиперпараметровАннотация
В статье рассматривается разработка и реализация предсказательной модели на основе усовершенствованной архитектуры условных генеративно-состязательных сетей (Conditional GAN) для прогнозирования временных рядов качества воздуха. На базе синтетических многокомпонентных данных, имитирующих реальные концентрации загрязняющих частиц PM2.5 и PM10 с учетом трендов, сезонности и шумов, исследуются особенности состязательного обучения с применением LSTM-слоев и одномерных сверточных сетей (1D ConvNet). Авторы проводят сравнительный анализ стабильности, метрик ошибок моделей GAN и классической LSTM, а также предлагают комплекс стратегий для оптимизации гиперпараметров и предотвращения коллапса мод.
Библиографические ссылки
1. Ю. Ван и др.Послойное обучение признаков с использованием глубоких нейронных сетей на основе остаточных значений для прогнозирования качества в промышленности. IEEE Trans. Instrum.Meas. (2022).
2. Визуализация прогнозов Х. Рен и др.Исследование структуры цифрового двойника для систем ручной сборки специализированных изделий.Журнал производственных систем (2023).
3. X. Лиан и др. Комбинированный подход к прогнозированию качества продукции на основе регрессии опорных векторов и модели серого прогнозирования.Adv. Eng. Inf. (2023).
4. С. Лю и др.Диагностика неисправностей оборудования с использованием небольшой выборки на основе генеративносостязательной сети с вариационными информационными ограничениями.Adv. Eng. Inf. (2022).
5. Дж. Фан и др .GAN Вассерштейна с полным вниманием и градиентной нормализацией для диагностики неисправностей в условиях несбалансированных данных. IEEE Trans. Instrum. Meas. (2022).
6. Ю. Лю. TF-F-GAN: модель на основе GAN для прогнозирования физических полей сборки при многомодальном слиянии переменных в Vision Transformer.Adv. Eng. Inf. (2024). 7.С. Чжан.На пути к интеллектуальному производству нового поколения, ориентированному на человека, в рамках Индустрии 5.0: систематический обзор.Adv. Eng. Inf. (2023).
