Comparative analysis of the statistic approaches and neuro-fuzzy models for grain temperature forecasting (Ukr)

Забезпечення оптимальних умов зберігання зерна є важливою задачею аграрного сектору, оскільки відхилення температурного режиму може спричинити значні економічні втрати через псування зернової маси. У статті досліджено ефективність статистичних та нейро-нечітких методів прогнозування температури зерна у зерносховищах. Розглянуто основні статистичні підходи, зокрема лінійну та поліноміальну регресію, методи ARIMA та експоненційного згладжування, які широко використовуються для аналізу часових рядів. Також проаналізовано можливості нейро-нечітких моделей, таких як ANFIS, що базується на нечіткій моделі Sugeno, та Mamdani. Ці моделі поєднують переваги штучних нейронних мереж та нечіткої логіки, дозволяючи адаптивно враховувати складні нелінійні взаємозв’язки між параметрами. Для порівняння точності прогнозування різними підходами використано реальні та симуляційні дані температурних змін у зерносховищах. Прогнозування здійснювалося для температури в кожній із 200 вимірювальних точок. Використано методику ковзного вікна (14 днів) для побудови часових рядів. Оцінка ефективності моделей здійснювалася за допомогою середньоквадратичної похибки (MSE), середньої абсолютної похибки (MAE) та кореня середньоквадратичної похибки (RMSE), з урахуванням діапазону змін температури у сховищі. Результати експериментального дослідження показали, що статистичні методи, особливо ARIMA та експоненційне згладжування, є ефективними для короткострокового прогнозування (до 7 днів), тоді як їхня точність суттєво знижується на довших горизонтах. Нейро-нечіткі моделі, особливо ANFIS, продемонстрували високу точність прогнозування навіть у довгостроковій перспективі, що підтверджує їхню перевагу в умовах складної та динамічної зміни факторів, що впливають на температуру зерна. Крім того, виконано аналіз обчислювальної складності методів. Встановлено, що статистичні підходи є менш ресурсозатратними, що робить їх придатними для вбудованих систем моніторингу, тоді як нейро-нечіткі моделі потребують значних обчислювальних потужностей, але забезпечують вищу точність прогнозів. На основі отриманих результатів сформульовано рекомендації щодо вибору оптимального методу прогнозування залежно від специфіки застосування, доступних обчислювальних ресурсів та вимог до точності прогнозів.