DEAP LEARNING MODELS FOR TIME SERIES FORECASTING
ID елемента: 22594
2026/05/05
Цитування
eNUPPIR (). DEAP LEARNING MODELS FOR TIME SERIES FORECASTING. https://enuppir.politeh.duckdns.org/item/22594
eNUPPIR. "DEAP LEARNING MODELS FOR TIME SERIES FORECASTING." Web. . <https://enuppir.politeh.duckdns.org/item/22594>.
eNUPPIR. "DEAP LEARNING MODELS FOR TIME SERIES FORECASTING." Accessed . https://enuppir.politeh.duckdns.org/item/22594.
Скопійовано в буфер обміну
Властивості
Назва
Англійська
DEAP LEARNING MODELS FOR TIME SERIES FORECASTING
Російська
.
Українська
МОДЕЛІ ГЛИБОКОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ
Опис
Англійська
Topicality. Time series forecasting is one of the important tools for various spheres of human activity, as it allows analyzing past trends, understanding the dynamics of events, and making substantiated decisions based on previously collected historical data. In recent years, deep learning artificial neural network models have demonstrated significant potential in the field of time series forecasting. The goal of this work is to analyze the use of deep learning models for short-term forecasting of time series of various origins and with possible presence of distortions. The object of research is the process of time series forecasting. The subject of research is the use of models based on CNN, RNN, TCNN and LSTM architectures for time series forecasting. Results. Experimental research has shown that forecasts of non-stationary time series using an artificial neural network based on LSTM architecture are closer to real data, compared to other deep learning models. Conclusions. The obtained results in most cases confirm the advantage of using models based on LSTM over other considered deep learning models for time series forecasting.
Російська
75-79
Українська
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
Автор
Українська
Ivashchenko, Heorhii
Українська
Tymoshenko, Daria
Українська
Blyzniuk, Oleksandr
Українська
Kononenko, Oleksandr
Тематика
Англійська
time series forecasting
Англійська
machine learning
Англійська
artificial neural network
Англійська
deep learning models
Англійська
convolutional networks
Англійська
long short-term memory
Російська
17
Українська
прогнозування часових рядів
Українська
машинне навчання
Українська
штучна нейрона мережа
Українська
моделі глибокого навчання
Українська
згорткові мережі
Українська
довга короткострокова пам’ять
Видавництво
Українська
Національний університет «Полтавська політехніка імені Юрія Кондратюка»
Тип
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Українська
Рецензована Стаття
Формат
application/pdf
Ідентифікатор
https://journals.nupp.edu.ua/sunz/article/view/3273
10.26906/SUNZ.2024.1.082
Джерело
Англійська
Control, Navigation and Communication Systems. Academic Journal; Vol. 1 No. 75 (2024): Control, Navigation and Communication Systems; 82-87
Російська
Системы управления, навигации и связи. Сборник научных трудов; Том 1 № 75 (2024): Системи управління, навігації та зв’язку; 82-87
Українська
Системи управління, навігації та зв’язку. Збірник наукових праць; Том 1 № 75 (2024): Системи управління, навігації та зв’язку; 82-87
2073-7394
10.26906/SUNZ.2024.1
2024. №1 (75)
Мова
uk
Відношення
https://journals.nupp.edu.ua/sunz/article/view/3273/2695
Права
Українська
Авторське право (c) 2024 Heorhii Ivashchenko, Daria Tymoshenko, Oleksandr Blyzniuk, Oleksandr Kononenko
Інформація про метадані
Створено
2026-5-5 12:56
Остання зміна
2026-5-5 12:56
ID елемента
#22594