Search academic texts

Information × Registration Number 0826U001065, PhD dissertation Status Доктор філософії Date 01-05-2026 popup.evolution o Title Time series preprocessing methods for improving forecasting accuracy using deep learning models Author Kyrylo V. Yemets, popup.head Ivan V. Izonin popup.opponent Oksana Y. Mulesa popup.opponent Iryna O. Kalinina popup.review Vasyl M. Teslyuk popup.review Mykola O. Medykovskyi Description У дисертаційній роботі розв’язано актуальну наукову задачу підвищення точності коротко- та довгострокового прогнозування часових рядів із використанням моделей глибинного навчання шляхом розроблення та удосконалення методів попереднього опрацювання даних і архітектур штучних нейронних мереж, що забезпечують більш повне врахування багатомасштабної, спектральної та структурної організації часових рядів. Розроблені та удосконалені методи орієнтовані на ефективне виділення багатомасштабних закономірностей у даних, формування інформативних ознак у частотній області та підвищення точності результатів для різних горизонтів прогнозування в різних прикладних галузях. Дисертаційна робота складається зі вступу, чотирьох розділів, висновків, списку літературних джерел та додатків. У першому розділі проведено аналіз існуючих методів та розглянуто постановку задачі прогнозування часових рядів, охарактеризовано ключові властивості нелінійних і нестаціонарних процесів, а також обґрунтовано потребу у застосуванні попереднього опрацювання даних для підвищення точності прогнозу. Виконано теоретичний та експериментальний аналіз ефективності сучасних нейромережевих моделей, методів та архітектур для прогнозування часових рядів, зокрема архітектури на основі трансформерів і суміші експертів. Проаналізовано недоліки існуючих методів попереднього опрацювання даних на основі швидкого перетворення Фур’є та вейвлет перетворень. Сформульовано мету і виконано постановку задач дослідження. У другому розділі удосконалено методи підвищення точності довгострокового прогнозування часових рядів із використанням швидкого перетворення Фур’є. Виконано адаптацію архітектури трансформера до задачі прогнозування часових рядів та обґрунтовано вибір процедур навчання і методу оптимізації цієї архітектури. Удосконалено методи попереднього опрацювання даних у частотній і часово-частотній областях. Перший метод передбачає заміну часових відліків повним фазово-амплітудним поданням спектральних компонент як вхідних ознак для обраної архітектури штучної нейронної мережі. Другий метод полягає у доповненні часових відліків відповідною спектральною інформацією з метою збереження часової структури сигналу. Така організація спектральних ознак забезпечує їх безпосереднє використання моделлю без необхідності відновлення сигналу з частотної області. Це спрощує інтеграцію у нейромережеву архітектуру для задач прогнозування та зменшує втрати інформації на етапах проміжних перетворень. Удосконалені методи забезпечують підвищення точності довгострокового прогнозування часових рядів, що підтверджено результатами експериментальних досліджень і порівняльним аналізом на різних наборах даних. У третьому розділі розроблено метод попереднього опрацювання часових рядів на основі вейвлет-перетворень, орієнтований на виділення локальних у часі та масштабі закономірностей. В його основі покладено формування вейвлет-ознак із використанням стаціонарного вейвлет-перетворення та різних сімейств вейвлетів. Такий підхід забезпечує підвищену чутливість до короткочасних змін і структурних зламів у часових рядах. Також удосконалено метод відбору експертів у нейромережевій архітектурі суміші експертів, який забезпечує більш обґрунтований вибір підмножини експертів для розв’язання поставленої задачі та спрощує процес навчання цієї архітектури. Удосконалена таким чином модель забезпечує підвищення точності прогнозування для різних горизонтів прогнозу, що підтверджено аналізом експериментальних результатів та результатами порівняльних досліджень на різних наборах даних. Подано структурно-функціональні схеми, описано основні кроки формування ознак, навчання моделей і застосування розробленого методу та удосконаленої моделі для підвищення точності прогнозування часових рядів. У четвертому розділі розроблено програмний комплекс для розв’язання поставленої у роботі задачі, а також виконано апробацію розроблених і удосконалених методів. Описано архітектуру бібліотеки методів попереднього опрацювання часових рядів на основі частотних перетворень та її функціональні можливості, зокрема підготовку даних, формування спектральних ознак, підтримку різних сценаріїв навчання моделей і засоби відтворюваного експериментування. Реалізовано комплексну архітектуру нейромережевої суміші експертів, у якій окремі спектральні характеристики, сформовані методами, описаними в розділах 2 та 3, використовуються незалежно в кожному експерті. Проведено експериментальне оцінювання та апробацію програмного комплексу на наборі даних для прогнозування екстремальних температур на території України. Виконано порівняння з поширеними базовими моделями, при цьому підвищення точності прогнозування підтверджено результатами експериментальних досліджень і порівняльного аналізу, що обґрунтовує доцільність використання розроблених та удосконалених методів та моделі у прикладних інформаційних системах аналізу та прогнозування даних. Registration Date 2026-04-16 popup.nrat_date 2026-04-16 Close