Сільське господарство є ключовою галуззю, що забезпечує продовольчу безпеку та забезпечує населення продуктами харчування.

Прогнозування виробленої продукції – це важливий аспект сучасного управління виробництва, який дозволяє не лише планувати обсяги виробництва, але й оптимізувати витрати, зменшити ризики та підвищити конкурентоспроможність на ринку. З розвитком інформаційних технологій все більше уваги приділяється використанню методів машинного навчання для покращення точності та швидкості прогнозів.

За допомогою методів машинного навчання (далі МН ) можна обробляти великі обсяги даних, враховуючи безліч факторів, які можуть вплинути на кінцевий результат. Використання машинного навчання у прогнозуванні виробництва продукції надає безліч переваг.

Існує кілька ключових методів машинного навчання, що використовуються у прогнозуванні:

• Моделі часових рядів: такі як ARIMA та SARIMA, які спеціалізуються на прогнозуванні на основі історичних даних з урахуванням сезонної і трендової компонент.
• Нейронні мережі: здатні аналізувати складні взаємозв’язки між багатьма змінними і давати точні прогнози навіть у нестабільних ринкових умовах. До них можна віднести моделі LTMS та RNN

Кожен з методів має свої переваги, але в даному дослідженні буде розглянуто більш нестандартний метод прогнозування з використанням нейронних мереж а, саме LTMS.

LTMS є вдосконаленою версією RNN, розроблена спеціально для збереження історичних  залежностей у часовому ряді. Вона була обрана для дослідження, оскільки ефективно зберігає в своїй «пам’яті» дані за попередні періоди, які необхідні для кращої продуктивності моделі на часовому ряді.

Основні компоненти LSTM:

• Комірка пам'яті: головний елемент, який може зберігати інформацію протягом тривалих періодів. Він управляється через кілька "воріт".
• Вхідні ворота: визначають, яку нову інформацію додати до комірки пам'яті.
• Забуваючі ворота: вирішують, яку інформацію видалити з комірки пам'яті.
• Вихідні ворота: визначають, яку інформацію передати на наступний крок

На основі історичних даних з виробництва сільськогосподарської продукції в Україні було проведено тренування моделі та зроблено прогноз на наступні періоди в розрізі року. Так було побудовано 5 шарову модель з 128 нейронами та частотою виключення 0,25.

На рисунку №1  можна побачити порівняння актуальних даних(лінійний графік синього кольору) та підібраних даних моделлю (лінійний графік жовтого кольору).

Рис.1 Графік порівняння фактичних та підібраних моделлю значень

На рисунку №2 та рисунку №3 відповідно можна побачити прогнозовані дані зображені лінійним графіком червоного кольору та метрики які відображають загальну якість моделі. Для легшої інтерпретації результату розглянемо показник MAPE(Mean absolute percentage error). Так можна сказати що підібрані моделлю данні відрізняються на 4,8 відсотка від фактичних даних, що є дуже гарним показником, тому з впевненістю можна сказати, що модель ловить як тренд часового ряду так і сезонність.

Рис.2 Графік спрогнозованих значень

Рис.3 Метрики для оцінки точності моделі

Отже, на прикладі побудованої моделі глибокого навчання можна зробити висновок що методи машинного навчання є важливим інструментом в прогнозуванні виробленої продукції та прогнозуванні в цілому, а побудовані моделі можна використовувати для прогнозування подальших значень, що допоможе оптимізувати виробництво та мінімізувати майбутні витрати.