kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2025-4(20)-15kaz44-2165Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (ОРИГИНАЛЬНАЯ СТАТЬЯ)AUTOMATION AND INFORMATION TECHNOLOGY (ORIGINAL ARTICLE)ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ РЕСУРСАМИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ВРЕМЕННЫХ РЯДОВAPPLICATION OF MACHINE LEARNING METHODS FOR FORECASTING AND RESOURCE MANAGEMENT BASED ON INTELLIGENT TIME SERIES ANALYSIShttps://orcid.org/0000-0002-5254-3432ТусуповаК. Б.TussupovaK. B.

Камшат Бакытжановна Тусупова – PhD, ВНС кафедры «Информационные системы»

050040, Республика Казахстан, г. Алматы, пр. аль-Фараби, 71

Kamshat Bakytzhanovna Tussupova – PhD, Senior Researcher at the Department of Information Systems

050040, Republic of Kazakhstan, Almaty, 71 Al-Farabi Avenue

kamshat-0707@mail.ruhttps://orcid.org/0000-0001-7915-945XМирзахмедоваГ. А.MirzakhmedovaG. A.

Гулбану Абсаматовна Мирзахмедова – PhD, и.о. доцента кафедры «Информационные системы»

050040, Республика Казахстан, г. Алматы, пр. аль-Фараби, 71

Gulbanu Absamatovna Mirzakhmedova – PhD, Acting Associate Professor, Department of Information Systems

050040, Republic of Kazakhstan, Almaty, 71 Al-Farabi Avenue

gulbanu.myrzahmedova@gmail.comhttps://orcid.org/0000-0002-1637-4643ШормаковаА. Н.ShormakovaA. N.

Асем Ноябревна Шормакова – PhD, заведующий кафедрой «Информационные системы», и.о. доцента

050040, Республика Казахстан, г. Алматы, пр. аль-Фараби, 71

Assem Noyabrevna Shormakova – PhD, Head of the «Information Systems» department, Acting Associate Professor

050040, Republic of Kazakhstan, Almaty, 71 Al-Farabi Avenue

shormakovaassem@gmail.comКазахский национальный университет имени аль-ФарабиКазахстанAl-Farabi Kazakh National UniversityKazakhstan20252501202614(20)123130Copyright © Тусупова К.Б., Мирзахмедова Г.А., Шормакова А.Н., 20262026Тусупова К.Б., Мирзахмедова Г.А., Шормакова А.Н.Tussupova K.B., Mirzakhmedova G.A., Shormakova A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/2165

Исследование сфокусировано на применении методов машинного обучения и статистического моделирования временных рядов к историческим данным добычи природного газа в Казахстане (2000-2024 годы) для построения надёжной прогностической модели добычи газа. В рамках работы рассмотрены и сопоставлены модели ARIMA, Holt-Winters, линейная регрессия с лаговыми переменными, Random Forest и градиентный бустинг. Точность моделей оценивалась с использованием стандартных метрик MAE, RMSE и коэффициента детерминации R². По результатам сравнения выявлено, что метод экспоненциального сглаживания Holt-Winters обеспечивает наивысшую точность прогноза среди всех тестируемых подходов. Данная модель выбрана для получения прогноза объёмов добычи газа на 2025-2027 годы. Согласно прогнозу, в 2025-2027 гг. ожидается дальнейший умеренный рост добычи газа при сохранении выявленных трендовых и сезонных закономерностей. Полученные результаты демонстрируют эффективность интеграции современных алгоритмов машинного обучения с классическими методами анализа временных рядов при работе с историческими статистическими данными. Практическая значимость работы заключается в том, что разработанная прогнозная модель может способствовать более обоснованному стратегическому планированию в газовой отрасли и повышению эффективности управления ресурсами.

This study focuses on the application of machine learning methods and statistical time series modeling to historical data on natural gas production in Kazakhstan (2000-2024) in order to build a reliable predictive model. The study considers and compares ARIMA, Holt-Winters, linear regression with lag variables, Random Forest, and gradient boosting models. The accuracy of these models was evaluated using standard metrics: MAE, RMSE, and the coefficient of determination R². The comparison results showed that the Holt–Winters exponential smoothing method provides the highest forecast accuracy among all the approaches tested. This model was chosen to generate the forecast of natural gas production volumes for 2025-2027. According to the forecast, a further gradual increase in natural gas production is expected in 2025-2027 while maintaining the identified trend and seasonal patterns. The results obtained demonstrate the effectiveness of integrating modern machine learning algorithms with classical time series analysis methods when working with historical statistical data. The practical significance of this work lies in the fact that the developed forecasting model can contribute to more substantiated strategic planning in the gas industry and improved efficiency of resource management.

прогнозированиевременные рядымашинное обучениеARIMAметод Holt–WintersRandom Forestградиентный бустингforecastingtime seriesmachine learningARIMAHolt-Winters methodRandom Forestgradient boostingДанное исследование финансируется Комитетом науки Министерства науки и высшего образования Республики Казахстан (грант № AP22684879).ReferencesTime Series Analysis: Forecasting and Control / G.E.P. Box et al. – 5th ed. – Hoboken: John Wiley & Sons, 2015. – 712 p. https://doi.org/10.1111/jtsa.12194/.Time Series Analysis: Forecasting and Control / G.E.P. Box et al. – 5th ed. – Hoboken: John Wiley & Sons, 2015. – 712 p. https://doi.org/10.1111/jtsa.12194/.Hyndman R.J. Forecasting: Principles and Practice / R.J. Hyndman, G. Athanasopoulos. – 2nd ed. – Melbourne: OTexts, 2018. – 384 p.Hyndman R.J. Forecasting: Principles and Practice / R.J. Hyndman, G. Athanasopoulos. – 2nd ed. – Melbourne: OTexts, 2018. – 384 p.Experimental Study on Damage Fracture Law of Coal from Solid-Propellant Blasting / H. Chu et al // Energies. – 2022. – Vol. 15(21). – Р. 8104. https://doi.org/10.3390/en15218104.Experimental Study on Damage Fracture Law of Coal from Solid-Propellant Blasting / H. Chu et al // Energies. – 2022. – Vol. 15(21). – Р. 8104. https://doi.org/10.3390/en15218104.Forecasting long-term world annual natural gas production by machine learning / D. Sen et al // Resources Policy. – 2023. – Vol. 80. – Р. 103224. https://doi.org/10.1016/j.resourpol.2022.103224.Forecasting long-term world annual natural gas production by machine learning / D. Sen et al // Resources Policy. – 2023. – Vol. 80. – Р. 103224. https://doi.org/10.1016/j.resourpol.2022.103224.Integrated Data-Driven Framework for Forecasting Tight Gas Production / F. Yao et al // Processes. – 2025. – Vol. 13(4). – Р. 1162. https://doi.org/10.3390/pr13041162.Integrated Data-Driven Framework for Forecasting Tight Gas Production / F. Yao et al // Processes. – 2025. – Vol. 13(4). – Р. 1162. https://doi.org/10.3390/pr13041162.Synergizing Machine Learning and Physical Models for Enhanced Gas Production Forecasting: A Comparative Study of Short- and Long-Term Feasibility / BK Raoof et al // Energies. – 2025. – № 18(5). – Р. 1187. https://doi.org/10.3390/en18051187.Synergizing Machine Learning and Physical Models for Enhanced Gas Production Forecasting: A Comparative Study of Short- and Long-Term Feasibility / BK Raoof et al // Energies. – 2025. – № 18(5). – Р. 1187. https://doi.org/10.3390/en18051187.A Study on a Novel Production Forecasting Method of Unconventional Oil and Gas Wells Based on Adaptive Fusion / D. Hou et al // Processes. – 2024. – Vol.12(11). – Р. 2515. https://doi.org/10.3390/pr12112515.A Study on a Novel Production Forecasting Method of Unconventional Oil and Gas Wells Based on Adaptive Fusion / D. Hou et al // Processes. – 2024. – Vol.12(11). – Р. 2515. https://doi.org/10.3390/pr12112515.A Natural Gas Consumption Forecasting System for Continual Learning Scenarios / S. Radek et al // arXiv preprint. 2023. arXiv:2309.03720. URL: https://arxiv.org/abs/2309.03720.A Natural Gas Consumption Forecasting System for Continual Learning Scenarios / S. Radek et al // arXiv preprint. 2023. arXiv:2309.03720. URL: https://arxiv.org/abs/2309.03720.Tussupova K. Optimal Allocation of Resources in an Open Economic System with Cobb–Douglas Production and Trade Balances / K. Tussupova, Z. Murzabekov // Economies. – 2025. – № 13(7). – Р. 184. https://doi.org/10.3390/economies13070184.Tussupova K. Optimal Allocation of Resources in an Open Economic System with Cobb–Douglas Production and Trade Balances / K. Tussupova, Z. Murzabekov // Economies. – 2025. – № 13(7). – Р. 184. https://doi.org/10.3390/economies13070184.Murzabekov Z.N. Development of a model of efficient resource allocation in an open threesector economy for balanced growth / Z.N. Murzabekov, K.B. Tussupova // Journal of Mathematics, Mechanics and Computer Science. – 2025. – Vol. 124(4). – Р. 59-70. https://doi.org/10.26577/JMMCS2024-v124-i4-a5.Murzabekov Z.N. Development of a model of efficient resource allocation in an open threesector economy for balanced growth / Z.N. Murzabekov, K.B. Tussupova // Journal of Mathematics, Mechanics and Computer Science. – 2025. – Vol. 124(4). – Р. 59-70. https://doi.org/10.26577/JMMCS2024-v124-i4-a5.Tusupova K.B. Razrabotka algoritma dlya chislennogo resheniya zadachi optimal'nogo upravleniya resursami v tryohsektornoj ekonomike // VESTNIK AUES. – 2024. – № 67(4). – S. 172-184. https://doi.org/10.51775/2790-0886_2024_67_4_172.Tusupova K.B. Razrabotka algoritma dlya chislennogo resheniya zadachi optimal'nogo upravleniya resursami v tryohsektornoj ekonomike // VESTNIK AUES. – 2024. – № 67(4). – S. 172-184. https://doi.org/10.51775/2790-0886_2024_67_4_172.

The authors declare that there are no conflicts of interest present.