ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ РЕСУРСАМИ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ВРЕМЕННЫХ РЯДОВ

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.

1. 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/.

2. Hyndman R.J. Forecasting: Principles and Practice / R.J. Hyndman, G. Athanasopoulos. – 2nd ed. – Melbourne: OTexts, 2018. – 384 p.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.