Г. О. Молодцов, П. С. Долгий, Р. А. Доровских
Аннотация. В данной статье проводится анализ ошибок при использовании нейросетевого агента для предиктивного анализа энергопотребления горнодобывающих предприятий. Было выдвинуто и доказано утверждение, что, несмотря на наличие систематических погрешностей, связанных с архитектурой модели и природой данных, современные методы и модели позволяют существенно снизить влияние случайных ошибок и повысить надежность прогноза. В работе продемонстрированы несколько подходов к анализу ошибок на реальном производственном датасете, а также оценена эффективность каждого из методов: CatBoost и MLP.
Ключевые слова: машинное обучение, градиентный бустинг, предиктивная аналитика, временные ряды, промышленная энергетика, CatBoost
Литература
1. Dorogush A.V. [и др.]. CatBoost: gradient boosting with categorical features support // arXiv preprint arXiv: 1810.11363, 2018. С. 1–7.
2. Гринштайн Л. [и др.]. Why do tree-based models still outperform deep learning on tabular data, 2022. 33 c.
3. Липатова С.В. Методические рекомендации для семинарских (практических) занятий, лабораторного практикума и самостоятельной работы по дисциплине «Алгоритмы искусственного интеллекта на Python». Ульяновск: УлГУ, 2019. С. 10–11.
4. Яндекс URL: https://education.yandex.ru/handbook/ ml/article/linear-models.
5. URL https://docs.pytorch.org/ignite/generated/ ignite.metrics.RootMeanSquaredError.html.
6. URL: https://habr.com/ru/companies/tochka/articles/ 751012/ (07.10.2025).
7. Matplotlib: Visualization with Python. URL: https://matplotlib.org/ (01.05.2025).
8. Faouzi J., Colliot O. Classic machine learning methods // arXiv:2310.11470v1, 2023 С. 7–9.
Investigation of neural network agent errors for predictive analysis of mining enterprises' energy consumption
G. O. Molodtsov , P. S. Dolgiy , R. A. Dorovskikh
Abstract. This article analyzes errors when using a neural network agent for predictive analysis of energy consumption of mining enterprises. It was argued and proved that, despite the presence of systematic errors related to the architecture of the model and the nature of the data, modern methods and models can significantly reduce the impact of random errors and increase the reliability of the forecast. The paper demonstrates several approaches to error analysis on a real production dataset, and also evaluates the effectiveness of each of the methods: CatBoost and MLP.
Keywords: machine learning, gradient bussing, predictive analytics, time series, industrial energy, CatBoost