Прогнозно-орієнтований метод перестановок ансамблів складних сигналів на основі моделі ARIMA
DOI:
https://doi.org/10.31861/sisiot2025.2.02015Ключові слова:
телекомунікаційні системи, оптимізація, ансамблі складних сигналів, SNR, кореляціяАнотація
У статті запропоновано метод перестановок ансамблів складних сигналів в часовій області на основі моделі Autoregressive Integrated Moving Average (ARIMA), який отримав назву ARIMA метод на основі перестановок. На відміну від відомих підходів, метод враховує часову інерційність зміни кореляційних характеристик, що забезпечує можливість прогнозування динаміки ансамблів у реальному часі та адаптивного керування їх структурою в умовах стохастичних збурень. Розроблений метод та алгоритм його реалізації поєднує операцію диференціювання з прогнозно орієнтованим вибором часових перестановок, оптимізація яких здійснюється за інтегральним критерієм, що враховує показники кореляції, варіацію енергії та стабільність співвідношення сигнал/шум (С/Ш). Таке поєднання забезпечує баланс між адаптивністю та стабільністю збіжності, завдяки чому прогноз ґрунтується на декорельованих приростах сигналу, а не на накопичених трендах. У межах математичної моделі сформовано цільові функції, що описують очікувану кореляцію, невизначеність прогнозу та узгодженість енергетичних параметрів ансамблю. Мінімізація інтегрального критерію ансамблевої конфігурації забезпечує вибір оптимальної перестановки часових сегментів і послідовне вдосконалення прогнозу під час ітераційного процесу. Експериментальне моделювання виконано для С/Ш 10 – 25 дБ та параметрів часової сегментації τ = 0.3 – 1.0 із порівнянням трьох підходів: ARIMA метод на основі перестановок ансамблів сигналів, модель Маркова та модель перестановок ансамблів сигналів LPT-τ. Отримані результати засвідчили зменшення середньої масштабованої абсолютної похибки на 20.2 % і середньої масштабованої інтервальної оцінки на 15.3 % порівняно з методом Маркова, а також підвищення стабільності залишкових відхилень до 47.1 % в умовах завмирання сигналу. Доведено, що застосування методу ARIMA на основі перестановок ефективно пригнічує залишкову кореляцію, забезпечує коротку пам’ять рядів після диференціювання та підвищує точність і стійкість прогнозування до впливу завад. Запропонований підхід може бути використаний для оптимізації процесів формування та обробки сигналів у когнітивних телекомунікаційних середовищах, зокрема під час побудови систем динамічного спектрального моніторингу, розподілених мереж зв’язку та енергоефективних протоколів передавання даних.
Завантажити
Посилання
X. Zhang and W. Cao, “Research on time series forecasting method based on autoregressive integrated moving average model with zonotopic Kalman filter,” Sustainability, vol. 17, no. 7, p. 2993, 2025, https://www.mdpi.com/2071-1050/17/7/2993.
Q. Shi, J. Yin, J. Cai et al., “Block Hankel tensor ARIMA for multiple short time series forecasting,” 2002, doi: arXiv.2002.12135.
D. Bertsimas and L. Boussioux, “Ensemble modeling for time series forecasting: An adaptive robust optimization approach,” arXiv preprint arXiv:2304.04308, 2023, doi:10.48550/arXiv.2304.04308.
K. Perets, V. Lysechko, and O. Komar, “Modeling nonlinear signal components based on Volterra series in the frequency domain during spectral reconstruction,” Computer-Integrated Technologies: Education, Science, Production. Telecommunications and Radio Engineering, no. 57, pp. 192–201, 2024, doi:10.36910/6775-2524-0560-2024-57-23.
V. P. Lysechko, D. O. Kulagin, S. V. Indyk, O. S. Zhuchenko, and I. V. Kovtun, “The study of the cross-correlation properties of complex signals ensembles obtained by filtered frequency elements permutations,” Radio Electronics, Computer Science, Control, no. 2, pp. 15–23, 2022, doi: 10.15588/1607-3274-2022-2-2.
V. P. Lysechko, O. M. Komar, O. K. Veklych, and V. S. Bershov, “Optimization of the parameters of synthesized signals using linear approximations by the Nelder–Mead method,” Radio Electronics, Computer Science, Control, no. 3 (70), pp. 35–43, 2024, doi: 10.15588/1607-3274-2024-3-4.
S. A. Sherly, et al., “A hybrid approach to time series forecasting: Integrating ARIMA with deep learning,” Results in Engineering, 2025, doi: 10.1016/j.rineng.2025.105703.
M. A. Cruz-Nájera, “Short time series forecasting: Recommended methods and techniques,” Symmetry, vol. 14, no. 6, p. 1231, 2022, doi:10.3390/sym14061231.
N. S. Muruganandam, “Dynamic ensemble multivariate time series forecasting model for PM2.5,” Computer Systems Science and Engineering, vol. 44, no. 2, 2023, doi:10.32604/csse.2023.024943.
I. A. Ibrahim et al., “Short-term multivariate time series load data forecasting at individual and aggregate load levels,” Energy Conversion and Management, vol. 296, p. 117663, Nov. 2023, doi:10.1016/j.enconman.2023.117663.
G. Çınarer et al., “Hybrid deep learning and stacking ensemble model for time series forecasting,” Electronics, vol. 14, no. 16, p. 3213, 2025, doi;10.3390/electronics14163213.
J. Kim et al., “A comprehensive survey of deep learning for time series forecasting: Architectural diversity and open challenges,” Artificial Intelligence Review, vol. 58, p. 216, 2025, doi:10.1007/s10462-025-11223-9.
K. W. Ng et al., “Experimental evaluation of baselines for forecasting social dynamics: An ensemble ARIMA + Hawkes approach,” EPJ Data Science, 2023, doi:10.1140/epjds/s13688-023-00383-9.
J. Garland, R. James, and E. Bradley, “Model-free quantification of time-series predictability,” Physical Review E, vol. 90, p. 052910, 2014, doi;10.1103/PhysRevE.90.052910.
G. Xie, T. Ren, and Y. Yang, “A novel decomposed-ensemble time series forecasting framework,” arXiv preprint arXiv:2310.08812, 2023, doi: arxiv.org/html/2310.08812.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
