Искусственный интеллект подскажет спрос на танкеры

Студенты Санкт-Петербургского государственного университета (СПбГУ) разработали математические модели, позволяющие с помощью искусственного интеллекта и алгоритмов машинного обучения прогнозировать спрос на нефтеналивные танкеры.

В состав команды вошли студенты третьего курса факультета прикладной математики – процессов управления (ПМ-ПУ) Арсений Антонян, Глеб Голуб и Игнат Сурин. Идея создать проект появилась на втором курсе, когда к ребятам обратился издатель портала Sudostroenie.info Евгений Пен.

«В начале четвертого семестра к нам пришёл Евгений Александрович с несколькими задачами, которые требовали решения. Особенно нас заинтересовал проект по прогнозированию спроса на танкеры. Данная задача представляла собой сложный аналитический проект, который вызывал у нас профессиональный интерес. Мы увидели в этом шанс применить знания, полученные за два года учебы, и попробовать свои силы в работе над такими проектами», – рассказывает Арсений Антонян.

Для прогнозирования был выбран Индекс Балтийской биржи танкеров сырой нефти (Baltic Dirty Tanker Index, BDTI), отражающий спрос на нефтеналивные танкеры. Этот индекс служит основной переменной для прогнозировния. В дополнение к нему учитывается стоимость нефти и кризисные события, которые влияют на фрахтовые ставки. После этапа генерации признаков (feature engineering) были созданы дополнительные признаки, такие как скользящие средние и лаги для нефти на 1, 3 и 6 месяцев.

Однако при анализе открытых источников разработчики столкнулись с ограниченным объемом доступных для анализа данных. Информация о фрахте оказалась доступна за период с 2003 по 2025 годы – всего 267 записей.

Для решения задач молодые математики решили использовать три различные модели (аддитивная модель временных рядов, нейросетевая модель, ансамблевый метод машинного обучения). Каждая модель обучалась на одном и том же наборе признаков, затем сопоставлялись их метрики прогнозирования.

«Для оценки моделей мы использовали как стандартные метрики, такие как средняя квадратичная ошибка (RMSE) и средняя абсолютная ошибка (MAE), так и специальные: процент попадания в тренд (accuracy) и средний угол отклонения от тренда (Mean Tangent Error). Все метрики, кроме точности, измеряются в единицах фрахта. Тесты проводились с 2020 по 2025 годы», – описывает точность прогнозирования Глеб Голуб.


В результате выяснилось, что каждая модель имеет свои плюсы и минусы.
• Первая модель показала лучший результат по точности: в 68% случаев направление движения было предсказано правильно. Это хороший показатель.
• Вторая модель также продемонстрировала высокую точность в абсолютных ошибках (MAE и RMSE), но немного хуже определял направление. Однако у нее меньше отклонение от тренда по углу.
• Третья модель интересна тем, что часто ошибалась в направлении тренда (всего 57% попаданий), но при этом имел наименьшую ошибку по углу. Это говорит о том, что модель "понимает форму" тренда, но не всегда точно её направляет.

«В итоге Prophet стала лучшим среди всех моделей. Она проста в интерпретации и уже обеспечивает хорошую точность. Если же требуется более глубокое понимание структуры движения, например, прогнозирование скорости роста ставки, можно комбинировать все три модели», – поясняет Игнат Сурин.

Немаловажно, что опробовать работу моделей может любой желающий. Для этого был создан телеграм-бот, в котором можно задавать различные параметры и получать разные результаты. Так, пользователь может ввести кризисы на период с 2025 по 2030 год, а также их характеристики: интенсивность и тип. На основе этих данных модель будут формироваться различные прогнозы.

Примечательно, что молодые математики заранее позаботились о защите авторских прав, проведя первичную регистрацию авторства с помощью сервиса цифрового депонирования ЕДРИД. Первичная регистрация позволяет зафиксировать момент появления изобретения во времени и стоит в десятки раз дешевле, чем оформление патента.

Что касается дальнейшего развития проекта, то созданные модели можно использовать и в других областях. Так, благодаря гибкой архитектуре разработанные модели легко адаптируются к другим отраслям грузоперевозок. Например, их можно использовать для прогнозирования фрахта судов, перевозящих зерно и кукурузу, и всего, что связано с Baltic Dry Index.

Разработчики принимают вопросы и пожелания по работе математических моделей по электронной почте: ignatio2704@gmail.com.

Заглавное фото: rawpixel.com | CC0 1.0