Алгоритми глибокого навчання у прогнозуваннi часових рядiв

Abstract

Для застосування технології глибокого навчання для вирішення практичних задач пов’язаних з аналізом і прогнозуванням часових рядів, в даній роботі було вирішено наступні задачі: 1. Проведено аналіз предметної області в області глибокого навчання, прогнозування часових рядів; 2. Проаналізовано сутність комплексу задач з прогнозування часових рядів і виділення їх компонент; 3. Побудовано нейромережну модель LSTM; 4. Охарактеризувано вхідні, постійні, проміжні та вихідні дані нейромережної моделі LSTM; 5. Реалізовано обраний варіант нейромережної моделі LSTM; 6. Проведено навчання та тестування нейромережної моделі LSTM; 7. Досліджено результати прогнозування майбутніх значень часових рядів за допомогою нейромережної моделі LSTM. Використання різноманітної архітектури мереж, випадковість вибору початкових синоптичних коефіцієнтів і використання інших мережний параметрів привели до того, що прогнози різних нейромежер навчених однаково на одних і тих прикладах відрізнялися. Середня абсолютна помилка самої ефективної моделі після 50 епох навчання становить 0,00893, що є задовільним результатом для моделей подібного роду. Виходячи з отриманих прогнозів і оцінки побудованої моделі, можна зробити висновок, що штучні нейронні мережі являються хорошим інструментом для прогнозування часових рядів.