Пошук академічних текстів

Інформація × Реєстраційний номер 2121U008071, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Система для аналізу багатовимірних часових рядів Автор Буханевич Родіон МихайловичBukhanevych Rodion Mykhailovych Дата публікації 01-01-2021 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/43920 Видання Київ Опис 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. Додано в НРАТ 2025-11-05 Закрити