Гибридные подходы в контексте интеллектуального анализа данных для предсказательного моделирования в биоэкономике и нефтегазовой индустрии

Цель. Разработать и обосновать методологический подход к предсказательному моделированию, который за счет использования гибридных моделей (комбинирующих машинное обучение, статистическое моделирование и экспертные системы) повышает точность прогнозов и устойчивость решений в условиях высокой неопределенности и вариативности данных.

Задачи. Проанализировать российский и мировой опыт применения интеллектуального анализа данных в биоэкономике и нефтегазовой отрасли; выявить ограничения отдельных методов (статистических моделей и нейросетей) при прогнозировании сложных нелинейных процессов; разработать гибридные модели для типовых задач, таких как прогноз урожайности сельскохозяйственных культур, оценка потенциала биотехнологической переработки отходов, прогноз добычи нефти и газа, оптимизация логистических цепочек; оценить их эффективность по сравнению с традиционными подходами.

Методология. Сравнительное исследование проведено на основе открытых международных баз данных (FAO, IEA, World Bank), корпоративной отчетности (например, отчетов Shell, ПАО «Газпром нефть») и стратегических документов. Для каждого из кейсов применены гибридные модели: статистические методы и алгоритмы машинного обучения дополнены экспертными правилами. Выполнены очистка и восстановление данных (в том числе байесовская импутация пропусков), нормализация показателей и последующее обучение моделей (градиентный бустинг, случайный лес, рекуррентные нейронные сети и др.) с включением экспертных знаний на этапе постановки модели.

Результаты. Предложенные гибридные модели продемонстрировали устойчивое преимущество по сравнению с традиционными и одиночными методами прогнозирования. Наблюдается улучшение точности и стабильности результатов в условиях ограниченных, неполных и шумных данных. Применение разработанного подхода в задачах агропромышленного комплекса, биотехнологической переработки и нефтегазового сектора показало его универсальность и способность адаптироваться к различным типам данных и производственным сценариям. Использование гибридных решений способствует повышению эффективности прогнозов, оптимизации ресурсных и логистических процессов, а также снижению эксплуатационных рисков. На отраслевом уровне прослеживаются положительные экономические и экологические эффекты, согласующиеся с тенденциями международной практики устойчивого производства и управления данными.

Выводы. Гибридные интеллектуальные системы показали высокую эффективность и перспективность для стратегического планирования и оперативного управления в условиях глобального энергетического перехода и биотехнологической трансформации. Они обеспечивают более точные и надежные прогнозы, способствуют снижению затрат и рисков, а также повышают адаптивность управления сложными производственно-экономическими системами. Результаты исследования подтверждают целесообразность широкой имплементации гибридных моделей в биоэкономике и нефтегазовой отрасли, что будет способствовать достижению целей устойчивого развития и технологического суверенитета.

1. Liu W., Liu W. D., Gu J. Forecasting oil production using ensemble empirical model decomposition based Long Short-Term Memory neural network // Journal of Petroleum Science and Engineering. 2020. Vol. 189. Article 107013. http://doi.org/10.1016/j.petrol.2020.107013

2. Bedi P., Gole P. Plant disease detection using hybrid model based on convolutional autoencoder and convolutional neural network // Artificial Intelligence in Agriculture. 2021. Vol. 5. P. 90–101. http://doi.org/10.1016/j.aiia.2021.05.002

3. Choudhary J., Sharma H. K., Malik P., Majumder S. Price forecasting of crude oil using hybrid machine learning models // Journal of Risk and Financial Management. 2025. Vol. 18. No. 7. Article No. 346. http://doi.org/10.3390/jrfm18070346

4. Manjunath M. C., Palayyan B. P. An efficient crop yield prediction framework using hybrid machine learning model // Revue d’Intelligence Artificielle. 2023. Vol. 37. No. 4. P. 1157–1167. https://doi.org/10.18280/ria.370428

5. Chowdhury D., Hovda S. A hybrid fuzzy logic/genetic algorithm model based on experimental data for estimation of cuttings concentration during drilling // Geoenergy Science and Engineering. 2023. Vol. 231. Part A. Article 212387. http://doi.org/10.1016/j.geoen.2023.212387

6. Hu Y., Xin X., Yu G., Deng W. Deep insight: An efficient hybrid model for oil well production forecasting using spatio-temporal convolutional networks and Kolmogorov-Arnold networks // Scientific Reports. 2025. Vol. 15. Article 8221. http://doi.org/10.1038/s41598-025-91412-2

7. Issa I., Orazbayev B., Tuleuova R., Makhatova V. Mathematical models for oil production optimization in fuzzy environments: Well stock forecasting and regulation // Mathematical Modelling of Engineering Problems. 2024. Vol. 11. No. 2. P. 340–348. http://doi.org/10.18280/mmep.110206

8. Li H., Chen J., Li X. et al. Artificial neural network and genetic algorithm coupled fermentation kinetics to regulate L-lysine fermentation // Bioresource Technology. 2024. Vol. 393. Article 130151. http://doi.org/10.1016/j.biortech.2023.130151

9. Герцекович Д. А., Подлиняев О. Л., Тонких А. В. Системы гибридных моделей прогноза урожайности сельскохозяйственных культур как основа синтеза инвестиционных стратегий // Проблемы социально-экономического развития Сибири. 2021. № 1. С. 19–25. http://doi.org/10.18324/2224-1833-2021-1-19-25

10. Кизимова Т. А., Риксен В. С., Шпак В. А., Максимович К. Ю., Галимов Р. Р. Использование методов машинного обучения для прогнозирования нитратного азота в почве // АгроЭкоИнфо: электрон. журнал. 2022. № 5. URL: https://agroecoinfo.ru/STATYI/2022/5/st_521.pdf (дата обращения: 20.07.2025).

11. Назарова В. В., Лодягин Б. А., Круглов А. В., Круглов Ф. А. Применение методов машинного обучения для прогнозирования нефтяных котировок // AlterEconomics. 2025. Т. 22. № 3. С. 482–502. http://doi.org/10.31063/AlterEconomics/2025.22-3.6

12. Сайганов А. С. Интеграция нечетких методов в стратегическое планирование и управление рисками нефтегазовых корпораций // Вопросы инновационной экономики. 2024. Т. 14. № 1. С. 345–359. http://doi.org/10.18334/vinec.14.1.120319

13. Филиппов Е. В., Чумаков Г. Н., Пономарева И. Н., Мартюшев Д. А. Применение интегрированного моделирования в нефтегазовой отрасли // Недропользование. 2020. Т. 20. № 4. С. 386–400. http://doi.org/10.15593/2712-8008/2020.4.7

14. Kuang L., Liu H., Ren Y. et al. Application and development trend of artificial intelligence in petroleum exploration and development // Petroleum Exploration and Development. 2021. Vol. 48. No. 1. P. 1–14. http://doi.org/10.1016/S1876-3804(21)60001-0

15. Oikonomidis A., Catal C., Kassahun A. Hybrid deep learning-based models for crop yield prediction // Applied Artificial Intelligence. 2022. Vol. 36. No. 1. Article 2031823. http://doi.org/10.1080/08839514.2022.2031823

16. Kour Н., Pandith V., Manhas J., Sharma V. Machine learning‐based hybrid model for wheat yield prediction // Machine intelligence, Big Data analytics, and IoT in image processing / eds. A. Kumar, M. Bhushan, J. A. Galindo. Hoboken, NJ: John Wiley & Sons, Inc., 2023. P. 151–176. http://doi.org/10.1002/9781119865513.ch7

17. Song F., Ding H., Wang Y., Zhang S., Yu J. A well production prediction method of tight reservoirs based on a hybrid neural network // Energies. 2023. Vol. 16. No. 6. Article 2904. http://doi.org/10.3390/en16062904

18. Yuan Z., Jiang Y., Li J., Huang H. Hybrid-DNNs: Hybrid deep neural networks for mixed inputs // arXiv preprint. 2020. https://doi.org/10.48550/arXiv.2005.08419

19. Игнатьев С. А., Клевцова О. Ю., Плотников В. А. Совершенствование государственного управления на основе использования технологии интеллектуального анализа данных // Известия Санкт-Петербургского государственного экономического университета. 2025. № 2. С. 50–58.

20. Федоров М. В., Репин Д. А., Игнатьев С. А. Технологии искусственного интеллекта в государственном управлении: разработка парадигмы разумного (само)ограничения // Известия Санкт-Петербургского государственного экономического университета. 2024. № 5. С. 46–53.