Search academic texts

Information × Registration Number 2124U009553, Article popup.category Стаття, Опубліковано Title A non-measurable assembly for predicting time series on the basis of the Prophet . (AI translated) popup.author Лосенко Арсен ВолодимировичКозачко Олексій МиколайовичВарчук Ілона ВʼячеславівнаLosenko Arsen VolodymyrovychKozachko Oleksii MykolaiovychVarchuk Ilona V'yacheslavivna popup.publication 30-12-2024 popup.source_user "Наукові праці Вінницького національного технічного університету" (Вінницький національний технічний університет) popup.source https://praci.vntu.edu.ua/index.php/praci/article/view/762 popup.publisher Вінницький національний технічний університет Description У статті розглядається застосування моделей машинного навчання для оптимізації прогнозування часових рядів, що є актуальним завданням у багатьох галузях, включаючи охорону здоров'я. Особлива увага приділяється використанню моделі Prophet у поєднанні з ансамблевими методами, такими як моделі машинного навчання на основі нейронних мереж, зокрема LSTM, GRU, а також інших рекурентних нейронних мереж, для створення високоточного прогнозування кількості хворих на COVID-19 в Україні протягом 2020 – 2022 років. Прогнозування часових рядів є важливим інструментом для аналізу та моделювання тенденцій, які мають складну природу залежностей. Наприклад, у сфері охорони здоров'я прогнозування кількості хворих дозволяє заздалегідь оцінити навантаження на систему охорони здоров'я та планувати відповідні ресурси. У цьому контексті використання моделей, які здатні враховувати як короткострокові, так і довгострокові тренди, є критично важливим. Prophet, відомий своєю здатністю точно моделювати сезонні компоненти, доповнюється потужністю LSTM для обробки нелінійних залежностей, що забезпечує значне покращення точності прогнозів. Додатково у статті розглядається можливість використання гібридних підходів, які комбінують результати традиційних методів і моделей глибокого навчання. Такий підхід дозволяє враховувати складні закономірності у часових рядах, які не завжди можуть бути повністю враховані однією моделлю. Гібридні підходи забезпечують багаторівневий аналіз даних, де статистичні методи, такі як Prophet, моделюють основні тренди та сезонність, тоді як глибокі нейронні мережі, наприклад LSTM, обробляють нелінійні та короткострокові залежності. Результати дослідження можуть бути використані для аналізу інших часових рядів, що робить запропонований підхід універсальним та перспективним для подальшого розвитку. popup.nrat_date 2026-04-20 Close