УАҚЫТ ҚАТАРЛАРЫН ИНТЕЛЛЕКТУАЛДЫ ТАЛДАУ НЕГІЗІНДЕ РЕСУРСТАРДЫ БОЛЖАУ ЖӘНЕ БАСҚАРУ ҮШІН МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ҚОЛДАНУ

Зерттеу жұмысы Қазақстандағы табиғи газ өндірудің 2000-2024 жылдардағы тарихи деректеріне машиналық оқыту және уақыт қатарларын статистикалық модельдеу әдістерін қолдану арқылы сенімді болжамдық модель құруға бағытталған. Жұмыста ARIMA, Holt–Winters, кешіктірілген мәндері бар сызықтық регрессия, Random Forest және градиенттік бустинг модельдері қарастырылып, салыстырылды. Модельдер дәлдігі MAE, RMSE және R² сияқты стандартты метрикалар арқылы бағаланды. Салыстыру нәтижелері бойынша, барлық әдістердің ішінде Holt–Winters экспоненциалды тегістеу әдісі ең жоғары болжау дәлдігін қамтамасыз ететіні анықталды. Бұл модель 2025-2027 жылдарға газ өндіру көлемін болжау үшін таңдалды. Болжамға сәйкес, 2025-2027 жылдары табиғи газ өндіру көлемінің анықталған үрдістік және маусымдық заңдылықтары сақтала отырып, одан әрі біртіндеп өсуі күтіледі. Алынған нәтижелер тарихи статистикалық деректермен жұмыс барысында заманауи машиналық оқыту алгоритмдерін классикалық уақыт қатарлары әдістерімен үйлестіру тиімді екенін көрсетеді. Жұмыстың практикалық маңыздылығы – әзірленген болжамдық модель газ саласында стратегиялық жоспарлауды неғұрлым негізделген түрде жүргізуге және ресурстарды басқару тиімділігін арттыруға мүмкіндік береді.

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.