ivdon3@bk.ru
В данной статье мы рассмотрели и проанализировали различные модели прогнозирования временных рядов, используя данные, собранные с мобильных устройств IoT. Основное внимание уделено моделям, описывающим поведение трафика в телекоммуникационных системах. Рассмотрены методы прогнозирования, такие как экспоненциальное сглаживание, линейная регрессия, авторегрессионное интегрированное скользящее среднее (ARIMA), а также N-BEATS, который использует полносвязные слои нейронной сети для прогнозирования одномерных временных рядов. В статье кратко описаны особенности каждой модели, рассмотрен процесс их обучения, и проведен сравнительный анализ качества обучения. На основе анализа данных отмечено, что для протокола UDP модель ARIMA обладает лучшим качеством обучения, для протокола TCP - линейная регрессия, а для протокола HTTPS - ARIMA.
Ключевые слова: телекоммуникационные системы, анализ трафика, модели прогнозирования, QoS, искусственный интеллект, линейная регрессия, ARIMA, Theta, N-BEATS