2024-2025 წლების საქართველოს მაკროეკონომიკური მაჩვენებლების პროგნოზირება, მანქანური სწავლების ჰიბრიდული მოდელის გამოყენებით
Загрузки
ეკონომიკური პოლიტიკის ანალიზი და შეფასება, როგორც რეალურ, ისე სიმულაციურ გარემოში, დიდწილად ეფუძნება მაკროეკონომიკური მდგომარეობის სანდო და ზუსტ პროგნოზირებას. აღნიშნული ამოცანის გადასაჭრელად ნაშრომში განხილულია ღრმა ნეირონული ქსელების არქიტექტურული შესაძლებლობები და შემოთავაზებულია ჰიბრიდული მოდელი, რომელიც აერთიანებს Long Short-Term Memory (LSTM) კომპონენტს, attention-მექანიზმს და nudging-ზე დაფუძნებულ კორექციულ მიდგომას.
მაკროეკონომიკური ინდიკატორების პროგნოზირების ხარისხის გასაუმჯობესებლად ჩამოყალიბებულია ადაპტირებადი ალგორითმული სისტემა, რომელიც ჰიბრიდული ნეირონული ქსელის ფარგლებში აერთიანებს დროითი მწკრივების დამუშავების, მნიშვნელოვანი ცვლადების იდენტიფიცირებისა და პროგნოზის კორექციის მექანიზმებს. აღნიშნული მიდგომა პროგნოზის შედეგებს ეტაპობრივად აუმჯობესებს მონაცემთა ასიმილაციის პრინციპზე დაფუძნებული nudging-კორექციის გამოყენებით.
ექსპერიმენტული შეფასებისათვის გამოყენებულ იქნა საქართველოს რეალური მაკროეკონომიკური მონაცემები. მიღებულმა შედეგებმა აჩვენა, რომ შემოთავაზებული სისტემა უზრუნველყოფს პროგნოზირების მაღალ სიზუსტეს და ინარჩუნებს მდგრადობას მოდელის გარე პარამეტრების ცვლილების პირობებშიც.
Скачивания
Ammara Laeeq, Jie Li, Usman Adeel, A Hybrid LSTM–Attention Model for Multivariate Time Series Imputation: Evaluation on Environmental Datasets, Mach. Learn. Knowl. Extr. 2026, 8, 18, https://doi.org/10.3390/make8010018
Dominik Stempien, and Robert Slepaczuk, Hybrid Models for Financial Forecasting: Combining Econometric, Machine Learning, and Deep Learning Models, arXiv:2505.19617v1 [q-fin.TR] 26 May 2025.
Kehang Feng, Yuxin Zhang, LSTM-Attention: A Novel Deep Learning Model for Sustainable Development Goals Achievement Prediction, MLSC ’25: Proceedings of the 2025 International Symposium on Machine Learning and Social Computing, Pages 46–50, https://doi.org/10.1145/3778450.3778457
Navid Hajizadeh, S. Yazdani, Sara Ershadi-Nasab, Attentional Bi-LSTM for Multivariate Time Series Forecasting on Edge Devices: A Case Study on NanoPi Neo Plus2, DOI:10.1109/ICCKE68588.2025.11273888
Inna Polichtchouk, Simon Lang, Sarah-Jane Lock, Michael Maier-Gerber, Peter Dueben, Hybrid ensemble forecasting combining physics-based and machine-learning predictions through spectral nudging, 5 Mar 2026, https://doi.org/10.48550/arXiv.2603.05570
Jiangcheng Zhu, Shuang Hu, Rossella Arcucci, Chao Xu, Jihong Zhu, and Yi-ke Guo, Model Error Correction in Data Assimilation by Integrating Neural Networks, BIG DATA MINING AND ANALYTICS, Volume 2, Number 2, June 2019, DOI: 10.26599/BDMA.2018.9020033
Heaney, C. E., Tang, J., Yan, J., Guo, D., Ipock, J., Kaluvakollu, S., et al. (2024). Data assimilation with machine learning for dynamical systems: Modelling indoor ventilation. Physica A, 643, 129783. https://doi.org/10.1016/j.physa.2024.129783
Sun, H., Lei, L., Liu, Z., Ning, L., & Tan, Z. M. (2025). An online paleoclimate data assimilation with a deep learning-based network. Journal of Advances in Modeling Earth Systems, 17(6).
Jaemin Oh, Jinsil Lee, Youngjoon Hong, Machine Learning-Based Nonlinear Nudging for Chaotic Dynamical Systems, 7 Aug 2025, https://doi.org/10.48550/arXiv.2508.05778
Harbir Antil, Rainald Löhner, Randy Price, Data Assimilation with Deep Neural Nets Informed by Nudging, 22 Nov 2021, https://doi.org/10.48550/arXiv.2111.11505
Yingjun Peng, Yulong Bai, Xufeng Wang, Qinghe Yu, Xiaoxin Yue, Nudging-Based Data Assimilation Method for Error Correction Coupled With Huber Loss Functions and BiLSTM-GRU Hybrids, Journal of Advances in Modeling Earth Systems, DOI: 10.1029/2025MS005306
Hassanzadeh, P., Chattopadhyay, A., Bach, E., Nabizadeh, E. (2023): Deep learning-enhanced ensemble-based data assimilation for high-dimensional nonlinear dynamical systems, https://doi.org/10.57757/IUGG23-3118
Defu Cao, Yixiang Zheng, Parisa Hassanzadeh, Simran Lamba, Xiaomo Liu, and Yan Liu. Large Scale Financial Time Series Forecasting with Multi-faceted Model. ICAIF ’23, https://doi.org/10.1145/3604237.3626868
Ta-Chung Chi, Ting-Han Fan, Raffaele M. Ghigliazza, Domenico Giannone, Zixuan (Kevin) Wang, Macroeconomic Forecasting and Machine Learning, arXiv:2510.11008v1 [econ.EM] 13 Oct 2025.
Cook, Thomas R., and Aaron Smalter Hall. “Macroeconomic Indicator Forecasting with Deep Neural Networks.” Federal Reserve Bank of Kansas City, Research Working Paper 17-11, https://doi.org/10.18651/RWP2017-11
Qi Tang, Ruchen Shi, Tongmei Fan, Yidan Ma, and Jingyan Huang, Prediction of Financial Time Series Based on LSTM Using Wavelet Transform and Singular Spectrum Analysis, Mathematical Problems in Engineering, 2021, https://doi.org/10.1155/2021/9942410
Bryan Lima, Sercan O. Arik, Nicolas Loeff, Tomas Pfister, Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting, arXiv:1912.09363v3 [stat.ML] 27 Sep 2020.
Zurab Bosikashvili, Tamar Bosikashvili, Ketevan Bosikashvili - Using Blocking Meta-heuristics in the Models of Deep Learning, International scientific practical conference modern challenges and achievements in information and communication technologies – 2023, ISBN 978-9941-512-06-, http://www.gtu.ge.
Pierre Beaujuge, Multivariate Time Series Forecasting with a Bidirectional LSTM: Building a Model Geared to Multiple Input Series, Medium, Sep 24, 2020.
Gholam Reza Alipour Modab, Attention-driven deep learning models for multivariate time series forecasting of reservoir water levels, Water Sci Technol (2025) 92(12): 1650–1668. https://doi.org/10.2166/wst.2025.182
Copyright (c) 2026 ქართველი მეცნიერები
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
