Search academic texts

Information × Registration Number 2121U008071, Article popup.category Бакалаврська робота Title Система для аналізу багатовимірних часових рядів (AI translated) popup.author Буханевич Родіон МихайловичBukhanevych Rodion Mykhailovych popup.publication 01-01-2021 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/43920 popup.publisher Київ Description Дипломна робота: 132 с., 22 рис., 10 табл., 18 джерел, 3 додатки. Мета роботи – аналіз та порівняння результатів прогнозів багатовимірних часових рядів, які є взаємопов’язаними процесами. В роботі наведено огляд відомих методів прогнозування. Описано статистичні тести, що використовуються для класифікації процесів. Досліджено та побудовано моделі регресійного аналізу та моделі на базі машинного навчання та нейронних мереж, що використовуються для прогнозування часових рядів, описано критерії якості оцінок прогнозів. Розроблено програмний продукт на мові програмування Python 3.8. у середовищі Visual Code, що дозволяє будувати прогнози будь-яких багатовимірних часових рядів за допомогою моделі ВАР, ансамблю дерев рішень, нейронної мережі LSTM. Проведено порівняльний аналіз результатів, отриманих за допомогою різних методів. Bachelor thesis: 132 p., 22 figures, 10 tables, 18 sources, 3 appendices. The purpose of the work is to analyze and compare the results of forecasts of multidimensional time series, which are cointegrated processes. The paper provides an overview of known forecasting methods. Describes the statistical tests used to classify processes. Regression analysis models and models based on machine learning and neural networks used for time series prediction have been studied and built, and quality criteria for forecast estimates have been described. A software product has been developed in the Python 3.8 programming language in the Visual Code environment, which allows you to build predictions of any multidimensional time series using the VAR model, the ensemble of decision trees, the neural network LSTM. A comparative analysis of the results obtained using different methods is carried out. popup.nrat_date 2025-11-05 Close