Исследование применимости архитектуры нейронных сетей Колмогорова-Арнольда (KAN) к задаче прогнозирования временных рядов

Недавно предложенная архитектура нейросетей Колмогорова-Арнольда (Kolmogorov-Arnold Networks, KAN) является перспективной альтернативой традиционным нейронным сетям на основе многослойного персептрона (Multilayer Perceptron, MLP). Благодаря использованию теоремы Колмогорова-Арнольда, KAN представляет многомерные функции в виде комбинации одномерных, обеспечивая потенциально более высокую точность и интерпретируемость модели. В данной статье исследуется применимость KAN и ее рекуррентного расширения — Temporal Kolmogorov-Arnold Networks (TKAN) — к задаче прогнозирования временных рядов на примере известного набора данных почасового потребления электроэнергии. В качестве дополнительного набора данных выбраны данные метеорологических наблюдений. Проведен сравнительный анализ сетей KAN с традиционными MLP, а также реализации архитектуры рекуррентной нейросети на основе архитектуры KAN с широко известными архитектурами долгой краткосрочной памяти (Long Short-Term Memory, LSTM) и управляемого рекуррентного блока (Gated Recurrent Units, GRU). Экспериментальные результаты демонстрируют превосходство архитектуры KAN над MLP в задачах временного прогнозирования. Предложенная в статье рекуррентная архитектура TKAN1 демонстрирует лучший среди TKAN коэффициент детерминации R2 = 0,3483 при RMSE 0,1010 в задаче прогнозирования энергопотребления.