Search academic texts

Information × Registration Number 2124U002611, Article popup.category Стаття, Опубліковано, Рецензована стаття Title DEAP LEARNING MODELS FOR TIME SERIES FORECASTING popup.author Ivashchenko HeorhiiTymoshenko DariaBlyzniuk OleksandrKononenko OleksandrIvashchenko HeorhiiTymoshenko DariaBlyzniuk OleksandrKononenko Oleksandr popup.publication 09-02-2024 popup.source_user Національний університет «Полтавська політехніка імені Юрія Кондратюка» popup.source https://journals.nupp.edu.ua/sunz/article/view/3273 popup.publisher Національний університет «Полтавська політехніка імені Юрія Кондратюка» Description Актуальність. Прогнозування часових рядів є одним із важливих інструментів для різних сфер людської діяльності, оскільки воно дозволяє аналізувати минулі тенденції, розуміти динаміку подій та приймати обґрунтовані рішення на основі попередньо зібраних історичних даних. За останні роки моделі штучних нейронних мереж глибокого навчання показали значний потенціал у сфері прогнозування часових рядів. Метою даної роботи є аналіз використання моделей глибокого навчання для короткострокового прогнозування часових рядів різного походження та з можливою наявністю викривлень. Об’єктом дослідження є процес прогнозування часових рядів. Предметом дослідження є використання моделей глибокого навчання на основі CNN, RNN, TCNN та LSTM архітектур для прогнозування часових рядів. Результати. Експериментальні дослідження показали, що прогнози нестаціонарних часових рядів за допомогою штучної нейронної мережи на основі архітектури LSTM виявились найближчими до реальних даних, порівняно з іншими моделями глибокого навчання. Висновок. Отримані результати у більшості випадків підтверджують перевагу використання моделей на основі LSTM перед іншими розглянутими моделями глибокого навчання для прогнозування часових рядів popup.nrat_date 2026-04-19 Close