Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: Теория и реализация информационных систем; Москва; Москва
Год издания: 2026
Ключевые слова: ai, time-series forecasting, incasso, econometric models, deep learning, collection order, sMAPE, WAPE, искусственный интеллект, прогнозирование временных рядов, инкассовое поручение, эконометрические модели, модели глубокого обучения, R2, sMAPE и WAPE
Аннотация: Представлен результат НИР, целью которого является анализ простых эконометрических моделей и методов машинного обучения для прогнозирования временных рядов для автоматизированного выбора счета и временного окна выставления инкассового поручения (ИНКАССО). Рассмотрены ежедневные временные ряды максимальных остатков по счетам налогопПоказать полностьюлательщиков. Проведено сравнение эконометрических методов, моделей машинного обучения, глубокого обучения и моделей на основе транформера, включая скользящее среднее, градиентный бустинг, полносвязанные нейронные сети и рекуррентные нейронные сети. Для оценки качества прогнозирования использовались метрики R2, sMAPE и WAPE, а также анализ остатков в разрезе счетов, уровня остатка, дисперсию временного ряда и горизонта прогнозирования. Особое внимание уделено разделению счетов по устойчивости динамики и величине остатка. Показано, что счета с низкой дисперсией могут эффективно прогнозироваться простыми эконометрическими методами, тогда как для более изменчивых рядов целесообразно применять модели глубокого обучения. Полученные результаты могут быть использованы для построения гибридной системы прогнозирования, учитывающей характеристики конкретного счета, величину прогнозной ошибки и риск неопределенности прогноза. This study presents the results of research aimed at comparing classical statistical methods and machine-learning approaches for time-series forecasting to automate the selection of an account and the optimal time window for issuing a collection order (inkasso). The analysis is based on daily time series of maximum balances in taxpayers' bank accounts. We compare statistical methods, machine-learning models, deep-learning architectures, and transformer-based models, including moving average, gradient boosting, fully connected neural networks, and recurrent neural networks. Forecasting performance is evaluated using R2, sMAPE, and WAPE, along with residual analysis across accounts, balance levels, time-series variance, and forecast horizons. Special attention is given to segmenting accounts by balance magnitude and stability of dynamics. The results show that accounts with low variance can be forecast effectively using simple econometric methods, whereas more volatile series are better modeled with deep-learning approaches. These findings can be used to develop a hybrid forecasting system that accounts for accountspecific characteristics, forecast error magnitude, and uncertainty risk.
Журнал: Теория и реализация информационных систем
Номера страниц: 35-40
Место издания: Москва