Прогнозування робочих днів погодо-залежного виробництва за допомогою фільтра Калмана
Authors:
- А. ShkitovАSА. Shkitov
- А. TymoshenkoАTА. Tymoshenko
Open Access
- 5 December 2025
- journal article
- Published by Lutsk National Technical University in COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION
- No. 61,p. 227-235
Abstract
У роботі представлено підхід до прогнозування робочих днів у погодозалежних видах виробництва на основі фільтра Калмана. Сфера застосування охоплює галузі, що безпосередньо залежать від погодних умов, зокрема будівництво, сільське господарство, ремонт дорожньої інфраструктури та логістичні операції, де своєчасне планування ресурсів і робочої сили має вирішальне значення. Запропоновано математичну модель, яка забезпечує динамічну оцінку придатності умов до виконання робіт, використовуючи часові ряди метеорологічних змінних (температуру повітря, швидкість вітру, рівень вологості, опади). Модель реалізована у середовищі Python із використанням відкритого API NASA POWER як джерела актуальних погодних даних. Застосування фільтра Калмана дало змогу усунути шумові коливання у вхідних параметрах, згладити ряди спостережень та отримати більш точну оцінку стану системи в режимі реального часу. Одержаний прогноз дозволяє автоматично формувати маркери «робочий» чи «неробочий» день для різних геолокацій та типів робіт, що дає змогу підприємствам оперативно адаптувати свої виробничі графіки до зміни погодних умов. Результати моделювання підтвердили високу точність і стабільність прогнозів, зокрема за наявності пропусків у даних або локальних аномальних значень. Також продемонстровано переваги фільтра Калмана у порівнянні з методами, заснованими на фіксованих порогах, що забезпечило кращу відповідність фактичному виробничому календарю. Одержані результати засвідчують ефективність запропонованого підходу для автоматизованого планування погодозалежних видів діяльності. Запропоноване рішення може бути масштабоване для використання в ІТ-системах управління виробництвом. Модель має прикладну цінність для підприємств, що прагнуть мінімізувати ризики простоїв, пов’язаних із нестабільними кліматичними умовами.Keywords
This publication has 16 references indexed in Scilit:
- Dynamic weather-based scheduling for achieving energy savings in factoriesEnergy and Buildings, 2025
- Extreme weather and production economics: Insights, challenges, and future directionsInternational Journal of Production Economics, 2024
- Probabilistic weather forecasting with machine learningNature, 2024
- Microclimate and the thermal comfort during the implementation of silvopastoral systems: the windbreak countereffectInternational Journal of Biometeorology, 2024
- Based on historical weather data to predict summer field-scale maize yield: Assimilation of remote sensing data to WOFOST model by ensemble Kalman filter algorithmComputers and Electronics in Agriculture, 2024
- AI-Empowered Methods for Smart Energy Consumption: A Review of Load Forecasting, Anomaly Detection and Demand ResponseInternational Journal of Precision Engineering and Manufacturing-Green Technology, 2023
- DWFH: An improved data-driven deep weather forecasting hybrid model using Transductive Long Short Term Memory (T-LSTM)Expert Systems with Applications, 2022
- Evaluating human behaviour in response to AI recommendations for judgemental forecastingEuropean Journal of Operational Research, 2022
- Kalman filter based production control of a failure-prone single-machine single-product manufacturing system with imprecise demand and inventory informationJournal of Manufacturing Systems, 2020
- Fostering the development of climate services through Copernicus Climate Change Service (C3S) for agriculture applicationsWeather and Climate Extremes, 2020