Анализ эффективности методов машинного обучения для краткосрочного прогнозирования трудоемкости ремонтов на основе ограниченных телематических данных

Аннотация

Разработка и верификация итеративной методики краткосрочного прогнозирования трудоемкости ремонтов для адаптивного планирования технического обслуживания на ранних этапах цифровой трансформации, когда доступны лишь ограниченные данные начального периода эксплуатации (до 160 тыс. км). На массиве из 100 реальных заявок проведен сравнительный анализ методов машинного обучения: градиентного бустинга (XGBoost, LightGBM), рекуррентных нейронных сетей (LSTM, GRU) и полиномиальной регрессии 5-го порядка. Ключевым критерием эффективности выбрана ошибка прогноза на один плановый межсервисный интервал вперед (MAE_ext). Алгоритм XGBoost показал наилучший баланс между точностью интерполяции (R²=0.89) и устойчивостью к краткосрочной экстраполяции (MAE_ext=0.55), превзойдя полиномиальные модели. На его основе предложен методологический фреймворк, основанный на принципе «скользящего горизонта прогнозирования» и циклическом переобучении. Новизна работы заключается в адаптации парадигмы онлайн/инкрементального обучения для прикладной задачи управления сервисом парка техники и интерпретации прогнозных коэффициентов как метрик операционного риска. Практическая значимость – в предложении научно обоснованного, осторожного подхода к запуску предиктивного обслуживания, минимизирующего риски решений на основе некорректной экстраполяции.