Инновационные подходы к генерации обучающих данных для прогнозирования спроса на нефть

В данной работе исследуются методы генерации обучающих данных для повышения точности прогнозирования спроса на рынке нефти. Рассматриваются ограничения традиционных подходов и обосновывается применение генеративно-состязательных сетей, в частности модели TimeGAN (Time-series Generative Adversarial Network), для создания синтетических временных рядов. Результаты показывают, что TimeGAN позволяет генерировать реалистичные данные, приближенные к реальным, с сохранением волатильности и структурных особенностей рынка. Также выявлены ограничения модели, требующие дальнейшего исследования для повышения эффективности и точности прогнозирования спроса на нефть в условиях рыночной нестабильности.

1. Каукин А.С., Павлов П.Н., Косарев В.С. Краткосрочное прогнозирование цен на электроэнергию с использованием генеративных нейронных сетей // Бизнес-информатика. 2023. № 3 (17). С. 7–23.

2. Копытин И.А. Трансформация рынка нефти в Европе: тенденции и перспективы // Проблемы прогнозирования. 2024. № 6. С. 217–226. https://doi.org/10.47711/0868-6351-207-217-226.

3. Рабчевский А.Н. Обзор методов и систем генерации синтетических обучающих данных // Прикладная математика и вопросы управления. 2023. № 4. С. 6–45. https://doi.org/10.15593/2499-9873/2023.4.01.

4. Розенцвайг А.К. Методы эконометрического моделирования и анализа социально-экономических явлений. Набережные Челны, 2014. 121 с. https://doi.org/10.13140/RG.2.1.3998.5526.

5. Brajard J., Carrassi A., Bocquet M., Bertino L.. Combining data assimilation and machine learning to emulate a dynamical model from sparse and noisy observations: A case study with the Lorenz 96 model // Journal of Computational Science. 2020. Vol. 44. https://doi.org/101171.10.1016/j.jocs.2020.101171.

6. Farzana G.S., Prakash N. Machine Learning in Demand Forecasting // A Review. In Proceedings of the 2nd International Conference on IoT, Social, Mobile, Analytics and Cloud in Computational Vision and Bio-Engineering (ISMAC-CVB 2020). 2020. http://dx.doi.org/10.2139/ssrn.3733548.

7. Juneja T., Bajaj S., Sethi N. Synthetic Time Series Data Generation Using Time GAN with Synthetic and Real-Time Data Analysis // Proceedings of the International Conference on Advances in Computing and Data Sciences. Springer. 2023. P. 567–576. https://doi.org/10.1007/978-981-99-0601-7_51.

8. Kanagarathinam K. Comprehensive Overview of Optimization Techniques in Machine Learning Training // Computational Science and Optimization Letters. 2024. Vol. 2. No. 1. P. 69–85. https://doi.org/10.59247/csol.v2i1.69.

9. Li J., Liu Y., Li Q. Generative Adversarial Network and Transfer Learning Based Fault Detection for Rotating Machinery with Imbalance Data Condition // Measurement Science and Technology. 2022. https://doi.org/33.10.1088/1361-6501/ac3945.

10. Liu Y., Liang Z., Li X. Enhancing Short-Term Power Load Forecasting for Industrial and Commercial Buildings: A Hybrid Approach Using TimeGAN, CNN, and LSTM // IEEE Open Journal of the Industrial Electronics Society. 2023. No. 4. P. 451–462. https://doi.org/10.1109/OJIES.2023.3319040.

11. Matta C., Bianchesi N.M., Oliveira M., Balestrassi P., Leal F. A comparative study of forecasting methods using real-life econometric series data // Production. 2021. Vol. 31. https://doi.org/10.1590/0103-6513.20210043.

12. Moroff N., Kurt E., Kamphues J. Machine Learning and Statistics: A Study for Assessing Innovative Demand Forecasting Models // Procedia Computer Science. 2021. No.180. P. 40–49. https://doi.org/10.1016/j.procs.2021.01.127.

13. Mushunje L., Allen D., Peiris S. Volatility and Irregularity Capturing in Stock Price Indices Using Time Series Generative Adversarial Networks (TimeGAN) // Computational Engineering, Finance, and Science. 2023. https://doi.org/10.48550/arXiv.2311.12987.

14. Reboredo J.C., Ugolini A. Quantile dependence of oil price movements and stock returns // Energy Economics. 2016. Vol. 54. P. 33–49. https://doi.org/10.1016/j.eneco.2015.11.015.

15. Sacco M.A., Ruiz J.J., Pulido M., Tandeo P. Evaluation of Machine Learning Techniques for Forecast Uncertainty Quantification // Quarterly Journal of the Royal Meteorological Society. 2021. Vol. 147. No. 34. P. 1234–1251. https://doi.org/10.48550/arXiv.2111.14844.

16. Yue T, Liu Y. Multi-Scale Price Forecasting Based on Data Augmentation // Applied Sciences. 2024. Vol. 14. No. 19. P. 8737. https://doi.org/10.3390/app14198737.