Predicting parameters in industrial processes is significantly complicated by the presence of noise in sequential measurements,
which reduces the effectiveness of technological process control. The aim of the research is to develop an integrated model that
combines adaptive noise filtration methods and regression to improve the accuracy of forecasting noisy time series using machine
learning algorithms. During the research, a comprehensive database of time series with various levels and types of noise was created,
providing a thorough verification of the effectiveness of the proposed methods. The datasets were developed considering the
specifics of technological processes and the diversity of noise patterns, which allowed for an accurate evaluation of the developed
methods under different conditions. As part of the development of adaptive noise filtration methods, the Kalman filter and wavelet
filtration were implemented and optimized. The relationship between the effectiveness of filtration methods and temporal patterns
was established: for rapidly changing parameters, wavelet filtration provides higher smoothing efficiency, whereas the Kalman filter
better preserves signal characteristics for more stable sequences. To solve the time series forecasting problem, two regression
algorithms were implemented and tested – Support Vector Regression and Multilayer Perceptron. It was proven that Support Vector
Regression demonstrates better results with low-noise data, while Multilayer Perceptron shows higher stability under significant
noise conditions, especially after preliminary filtration. To evaluate the effectiveness of the proposed solutions, a comprehensive
quality assessment system was developed that simultaneously considers forecasting efficiency, temporal aspects, noise
characteristics, and computational complexity. Experimental confirmation demonstrates that the developed approach improves
forecasting accuracy compared to machine learning methods without preliminary filtration, while maintaining acceptable
computational complexity. The developed approach is promising for industrial applications, including modeling iron ore enrichment
processes, where noise-resistant forecasting is important for process control. The proposed methods can be extended to various
industrial processes with similar temporal data and noise characteristics, especially in metallurgical, chemical, and food industries.
Прогнозування параметрів у промислових процесах значно ускладнюється наявністю шуму в послідовних
вимірюваннях, що зменшує ефективність контролю технологічного процесу. Метою дослідження є розробка інтегрованої
моделі, яка поєднує методи адаптивної фільтрації шуму та регресію для покращення точності прогнозування зашумлених
часових рядів із використанням алгоритмів машинного навчання. Під час дослідження була створена комплексна база даних
часових рядів із різними рівнями та типами шуму, що забезпечило ретельну перевірку ефективності запропонованих
методів. Набори даних були розроблені з урахуванням специфіки технологічних процесів та різноманітності шумових
патернів, що дозволило точно оцінити розроблені методи в різних умовах. У рамках розробки методів адаптивної фільтрації
шуму були впроваджені та оптимізовані фільтр Калмана та вейвлет-фільтрація. Встановлено зв'язок між ефективністю
методів фільтрації та часовими патернами: для параметрів, що швидко змінюються, вейвлет-фільтрація забезпечує вищу
ефективність згладжування, тоді як фільтр Калмана краще зберігає характеристики сигналу для більш стабільних
послідовностей. Для вирішення задачі прогнозування часових рядів були впроваджені та протестовані два алгоритми
регресії – регресія опорних векторів та багатошаровий перцептрон. Було доведено, що регресія опорних векторів
демонструє кращі результати з даними з низьким рівнем шуму, тоді як багатошаровий перцептрон показує вищу
стабільність в умовах значного шуму, особливо після попередньої фільтрації. Для оцінки ефективності запропонованих
рішень була розроблена комплексна система оцінки якості, яка одночасно враховує ефективність прогнозування, часові
аспекти, характеристики шуму та обчислювальну складність. Експериментальне підтвердження демонструє, що
розроблений підхід покращує точність прогнозування порівняно з методами машинного навчання без попередньої
фільтрації, зберігаючи прийнятну обчислювальну складність. Розроблений підхід є перспективним для промислових
застосувань, включаючи моделювання процесів збагачення залізної руди, де шумостійке прогнозування важливе для
контролю процесу. Запропоновані методи можуть бути поширені на різні промислові процеси з подібними часовими
даними та характеристиками шуму, особливо в металургійній, хімічній та харчовій промисловості
