Анализ точности применения нейронных сетей в задачах прогнозирования временных рядов: дипломная работа / Никита Ростиславович Шапель; БГУ, Факультет прикладной математики и информатики, Кафедра компьютерных технологий и систем; науч. рук. Чеб Е. С.

Abstract

РЕФЕРАТ Дипломная работа, 47 страниц, 28 иллюстраций, 6 таблиц, 39 формул, 12 источников. Ключевые слова: НЕЙРОННЫЕ СЕТИ, LSTM, GRU, ВРЕМЕННЫЕ РЯДЫ, ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ. Объект исследования – модели прогнозирования временных рядов. Предмет исследования – применение моделей прогнозирования к временным рядам с различной структурой. Цель работы – анализ точности прогнозирования временных рядов с различной структурой с помощью алгоритмов и моделей, используемых для прогнозирования временных рядов, а также определение наиболее предпочтительной модели прогнозирования в зависимости от структуры исследуемого временного ряда. Методы исследования – а) теоретические: изучение литературы, связанной с прогнозированием временных рядов и нейронными сетями; б) практические: генерация временных рядов со сложной структурой, прогнозирование сгенерированных временных рядов с помощью классических и нейросетевых моделей. В процессе работы проведен анализ методов и программных систем прогнозирования временных рядов. Были рассмотрены различные алгоритмы и модели, используемые для прогнозирования временных рядов, включая классические модели, рекуррентные нейронные сети и сверточные нейронные сети. Для проведения исследования были сгенерированы временные ряды с нетипичной структурой, с целью выявления наиболее предпочтительного метода прогнозирования временных рядов с такой конфигурацией. Также были обучены нейросетевые модели и подобраны коэффициенты для традиционной модели авторегрессии, был проведен анализ результатов прогнозирования временных рядов с помощью рассматриваемых моделей, в зависимости от структуры прогнозируемого временного ряда. Было изучено влияние параметров временного ряда на качество прогноза каждой из рассматриваемых моделей. В результате исследования сделан вывод о том, что для прогнозирования временных рядов со сложной структурой лучше подходят нейросетевые модели, в частности рекуррентные нейронные сети.