Method for restoring missing data based on a combined exponential smoothing model
Data processing and analysis are often accompanied by the problem of missing values, which can significantly affect the accuracy of predictive models and decision-making. One of the main causes of missing data in energy consumption is the periodic shutdown of systems responsible for data collection...
Saved in:
| Date: | 2025 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Kyiv National University of Construction and Architecture
2025
|
| Subjects: | |
| Online Access: | https://es-journal.in.ua/article/view/328615 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Environmental safety and natural resources |
Institution
Environmental safety and natural resources| id |
es-journalinua-article-328615 |
|---|---|
| record_format |
ojs |
| institution |
Environmental safety and natural resources |
| baseUrl_str |
|
| datestamp_date |
2025-08-12T12:31:01Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
mathematical modeling data processing data recovery exponential smoothing Fibonacci numbers |
| spellingShingle |
mathematical modeling data processing data recovery exponential smoothing Fibonacci numbers Terentiev, Oleksandr Duda, Volodymyr Method for restoring missing data based on a combined exponential smoothing model |
| topic_facet |
математичне моделювання обробка даних відновлення даних експоненційне згладжування числа Фібоначчі mathematical modeling data processing data recovery exponential smoothing Fibonacci numbers |
| format |
Article |
| author |
Terentiev, Oleksandr Duda, Volodymyr |
| author_facet |
Terentiev, Oleksandr Duda, Volodymyr |
| author_sort |
Terentiev, Oleksandr |
| title |
Method for restoring missing data based on a combined exponential smoothing model |
| title_short |
Method for restoring missing data based on a combined exponential smoothing model |
| title_full |
Method for restoring missing data based on a combined exponential smoothing model |
| title_fullStr |
Method for restoring missing data based on a combined exponential smoothing model |
| title_full_unstemmed |
Method for restoring missing data based on a combined exponential smoothing model |
| title_sort |
method for restoring missing data based on a combined exponential smoothing model |
| title_alt |
Метод відновлення пропусків у даних на основі комбінованої моделі експоненційного згладжування |
| description |
Data processing and analysis are often accompanied by the problem of missing values, which can significantly affect the accuracy of predictive models and decision-making. One of the main causes of missing data in energy consumption is the periodic shutdown of systems responsible for data collection and transmission. Such disruptions can lead to data loss, complicating further processing and analysis. Therefore, an approach has been developed for filling in missing values based on exponential smoothing with adaptive coefficients determined by Fibonacci numbers. This method effectively accounts for both short-term and long-term patterns in the data, contributing to a more accurate reconstruction of lost values. This article examines a method for recovering missing data based on a combined exponential smoothing model, applied to hourly energy consumption data for the period 2016–2018. The proposed approach utilizes a regression model in which the regressors are the values of the exponential moving average, determined using smoothing coefficients and window sizes based on Fibonacci numbers. This approach effectively accounts for both new and older information by adapting weight coefficients for more accurate recovery of missing values. It has been found that when small Fibonacci numbers are used to determine the size of the sliding window and weight coefficients, the formation of exponentially smoothed values is primarily influenced by the most "recent data" (the latest, most recently obtained values). The use of Fibonacci numbers to determine smoothing parameters in the exponential smoothing method allows for the adaptive consideration of both short-term and long-term trends in time series. The proposed data reconstruction model is based on combined forecasting using six exponential smoothing models, whose parameters correspond to specific Fibonacci numbers. The combined model is built through regression analysis, enabling the adaptive evaluation of weight coefficients at each forecasting step. |
| publisher |
Kyiv National University of Construction and Architecture |
| publishDate |
2025 |
| url |
https://es-journal.in.ua/article/view/328615 |
| work_keys_str_mv |
AT terentievoleksandr methodforrestoringmissingdatabasedonacombinedexponentialsmoothingmodel AT dudavolodymyr methodforrestoringmissingdatabasedonacombinedexponentialsmoothingmodel AT terentievoleksandr metodvídnovlennâpropuskívudanihnaosnovíkombínovanoímodelíeksponencíjnogozgladžuvannâ AT dudavolodymyr metodvídnovlennâpropuskívudanihnaosnovíkombínovanoímodelíeksponencíjnogozgladžuvannâ |
| first_indexed |
2025-07-17T11:19:58Z |
| last_indexed |
2025-09-17T09:27:01Z |
| _version_ |
1850411421565714432 |
| spelling |
es-journalinua-article-3286152025-08-12T12:31:01Z Method for restoring missing data based on a combined exponential smoothing model Метод відновлення пропусків у даних на основі комбінованої моделі експоненційного згладжування Terentiev, Oleksandr Duda, Volodymyr математичне моделювання обробка даних відновлення даних експоненційне згладжування числа Фібоначчі mathematical modeling data processing data recovery exponential smoothing Fibonacci numbers Data processing and analysis are often accompanied by the problem of missing values, which can significantly affect the accuracy of predictive models and decision-making. One of the main causes of missing data in energy consumption is the periodic shutdown of systems responsible for data collection and transmission. Such disruptions can lead to data loss, complicating further processing and analysis. Therefore, an approach has been developed for filling in missing values based on exponential smoothing with adaptive coefficients determined by Fibonacci numbers. This method effectively accounts for both short-term and long-term patterns in the data, contributing to a more accurate reconstruction of lost values. This article examines a method for recovering missing data based on a combined exponential smoothing model, applied to hourly energy consumption data for the period 2016–2018. The proposed approach utilizes a regression model in which the regressors are the values of the exponential moving average, determined using smoothing coefficients and window sizes based on Fibonacci numbers. This approach effectively accounts for both new and older information by adapting weight coefficients for more accurate recovery of missing values. It has been found that when small Fibonacci numbers are used to determine the size of the sliding window and weight coefficients, the formation of exponentially smoothed values is primarily influenced by the most "recent data" (the latest, most recently obtained values). The use of Fibonacci numbers to determine smoothing parameters in the exponential smoothing method allows for the adaptive consideration of both short-term and long-term trends in time series. The proposed data reconstruction model is based on combined forecasting using six exponential smoothing models, whose parameters correspond to specific Fibonacci numbers. The combined model is built through regression analysis, enabling the adaptive evaluation of weight coefficients at each forecasting step. Обробка та аналіз даних часто супроводжуються проблемою пропущених значень, що може значно впливати на точність моделей прогнозування та ухвалення рішень. Однією з основних причин виникнення пропусків у даних щодо енергоспоживання є періодичне відключення систем, що безпосередньо займаються збором та передачею інформації. Такі перебої можуть спричиняти втрату частини даних, що ускладнює їх подальшу обробку та аналіз. Тому розроблено підхід до заповнення пропущених значень, заснований на експоненційному згладжуванні з адаптивними коефіцієнтами, що визначаються за числами Фібоначчі. Такий метод дозволяє ефективно враховувати як короткострокові, так і довгострокові закономірності в даних, що сприяє більш точному відновленню втрачених значень. В даній статті розглядається метод відновлення пропущених даних на основі комбінованої моделі експоненційного згладжування, застосований до погодинних даних енергоспоживання за період 2016–2018 років. Запропонований підхід використовує регресійну модель, у якій регресорами виступають значення експоненційного ковзного середнього, визначені за допомогою коефіцієнтів згладжування та розмірів ковзного вікна, що базуються на числах Фібоначчі. Такий підхід дозволяє ефективно враховувати як нову, так і старішу інформацію, адаптуючи вагові коефіцієнти для точнішого відновлення пропущених значень. Використання чисел Фібоначчі для визначення параметрів згладжування у методі експоненційного згладжування дозволяє адаптивно враховувати як короткострокові, так і довгострокові тенденції в часових рядах. Запропонована модель відновлення даних ґрунтується на комбінованому прогнозуванні з використанням шести моделей експоненційного згладжування, параметри яких відповідають певним числам Фібоначчі. Kyiv National University of Construction and Architecture 2025-03-28 Article Article application/pdf https://es-journal.in.ua/article/view/328615 10.32347/2411-4049.2025.1.125-131 Environmental safety and natural resources; Vol. 53 No. 1 (2025): Environmental safety and natural resources; 125-131 Екологічна безпека та природокористування; Том 53 № 1 (2025): Екологічна безпека та природокористування; 125-131 2616-2121 2411-4049 10.32347/2411-4049.2025.1 uk https://es-journal.in.ua/article/view/328615/318444 Copyright (c) 2025 Oleksandr Terentiev, Volodymyr Duda http://creativecommons.org/licenses/by/4.0 |