• Часть 1. О приложении ZAPP. Инъекции, забор образцов и напоминания

• Часть 2. Ввод данных самоконтроля

• Часть 3. Просмотр данных дневника

• Часть 4. Прогнозирование показателей мониторинга

• Часть 5. Прием лекарств

Еще раз отмечу, что все прогнозные значения показателей носят исключительно справочный характер. Они определены на основании текущих результатов лечения. Могут быть использованы врачом при корректировке лечения и не должны использоваться больным самостоятельно.

Сначала я сформулирую задачу прогнозирования показателей в приложении ZAPP в общем виде:

• Спрогнозировать дозу инсулина, используемую перед заданным приемом пищи.
• Спрогнозировать количество УЕ в продуктах заданного приема пищи.
• Спрогнозировать уровень сахара в крови поле заданного приема пищи.

Естественно, что при вычислении прогноза используются показатели, значения которых известны в точке прогноза, а также история предыдущих наблюдений всех показателей. Прогнозирование показателей мониторинга и определение показателей-параметров являются автоматизированным процессом. Вот полный перечень показателей, значения которых либо прогнозируются, либо используются как параметры для прогнозирования значений других показателей:

• Уровень сахара до заданного приема пищи (Сахар ДО)
• Количество УЕ в продуктах заданного приема пищи (Количество УЕ)
• Доза инсулина перед заданным приемом пищи (Инсулин)
• Активность после заданного приема пищи (Что ПОСЛЕ)
• Уровень сахара после заданного приема пищи (Сахар ПОСЛЕ)
• Доза инсулина долговременного действия (Долгий инсулин)

Если мы хотим спрогнозировать Инсулин, то одновременно будут вычисляться прогнозы для показателей Сахар ПОСЛЕ и Долгий инсулин. Остальные показатели используются как параметры.

А если задан прогноз Количество УЕ, то будут вычислены также прогнозы для показателей Инсулин, Сахар ПОСЛЕ, Долгий инсулин. Здесь показатели Сахар ДО и Что ПОСЛЕ используются как параметры.

Прогнозирование показателей мониторинга осуществляется с помощью базовой модели — авторегрессионной модели VARMAX (Vector Autoregressive Moving-Average with Exogenous Variables) с реализацией для Питона statsmodels.tsa.statespace.varmax.VARMAX.

Этот раздел приложения состоит из четырех подразделов:

Задается точка прогноза (дата и вид приема пищи), прогнозируемые показатели и параметры прогноза.

Показываются результаты расчетов статистических характеристик модели прогнозирования.

Выводятся графики временных рядов для каждого показателя прогнозирования, включая прогнозные значения.

Задаются параметры настройки для используемого набора данных и графиков.

Здесь у приложения ZAPP бесспорно есть хорошая возможность использовать современные методы прогнозирования с ИИ, которые основаны на нейронных сетях.

Основной тип нейросети, который используется для обработки и прогнозирования последовательностей данных и временных рядов — это LSTM (Long Short-Term Memory).

Преимущества модели LSTM

• Память о долгосрочных зависимостях. LSTM умеет «помнить» информацию на длинных промежутках времени.
• Устойчивость к исчезающему градиенту. LSTM хорошо обучается и не теряет сигнал на длинных последовательностях.
• Гибкость данных. Подходит для самых разных типов данных.
• Поддержка «шумных» или неполных данных. LSTM может выявлять закономерности даже при наличии «шумов» или пропусков в последовательности.
• Универсальность. Используется в прогнозировании, классификации, генерации данных и даже в системах рекомендаций.

Недостатки модели LSTM

• Долгое обучение. Из-за внутренней сложности и большого количества параметров LSTM обучается дольше, чем простые модели, например ARIMA или обычные RNN.
• Требовательность к ресурсам. Потребляет много оперативной памяти и вычислительных ресурсов, особенно на больших выборках и длинных последовательностях.
• Сложность настройки. Чувствительна к гиперпараметрам, например к количеству слоёв, размеру скрытого состояния, длине последовательности.

Безусловно, существуют и альтернативы LSTM для прогнозирования временных рядов. Некоторые из них см. ниже.

Альтернативы LSTM

• GRU (Gated Recurrent Unit). Главное отличие GRU от LSTM — отсутствие отдельного долгосрочного состояния ячейки, использование только скрытого состояния. GRU особенно эффективна на коротких и средних последовательностях, имеет меньший риск переобучения и требует меньше памяти и вычислительной мощности, чем LSTM.
• Prophet. Открытая библиотека для прогнозирования временных рядов.
• DeepAR. Модель, использующая RNN для прогнозирования временных рядов. Способна обучаться на нескольких временных рядах одновременно, что улучшает точность прогнозирования для новых данных.
• N-BEATS. Использует нейронные блоки для автоматической генерации прогнозов.
• LSTNet. Гибридная модель, объединяющая CNN и LSTM, специально разработанная для прогнозирования временных рядов. Способна эффективно захватывать как краткосрочные, так и долгосрочные зависимости.

Мне безусловно интересны свободно распространяемые модели, не требующие значительных ресурсов. На huggingface.co доступны 165 моделей с открытым исходным кодом, классифицированных разработчиками как “Time Series Forecasting”. И очередными задачами развития приложения ZAPP будут:

• выбор одной или нескольких моделей прогнозирования из этого перечня и
• проведения экспериментов для сравнения с используемой в настоящее время VARMAX.