Використання фрактальних нейронних мереж для прогнозування часових рядів

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-12 Примаченко Максимом Юрійовичем. Тема “Використання фрактальних нейронних мереж для прогнозування часових рядів”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процеси прогнозування часових рядів у різних галузях застосування. Предметом досліджень є фрактальні нейронні мережі та їх застосування для покращення точності прогнозів часових рядів. Об’єктом дослідження є процеси прогнозування часових рядів у різних галузцях їх застосування. Предметом дослідження є фрактальні нейронні мережі та їх застосування для покращення точності прогнозів часових рядів. Досягнення мети забезпечується шляхом розробки фрактальної нейронної мережі, яка поєднує фрактальні згорткові блоки з рекурентними шарами (LSTM). Такий підхід дозволяє ефективно моделювати складні нелінійні залежності, довготривалі залежності та циклічні патерни в часових рядах. Апробацію проведено на наборах даних про споживання електроенергії, активність сонячних плям та ціни акцій Spotify. Результати показали, що запропонована модель перевершує традиційні підходи (BiLSTM, LSTM, CNNLSTM) на середніх горизонтах прогнозування та демонструє високу точність для даних із довготривалими та циклічними залежностями. У результаті виконання роботи створено ефективну модель прогнозування FractalNet-LSTM, розроблено програмну реалізацію для дослідження часових рядів у фінансах, енергетиці та інших сферах, а також проведено порівняльний аналіз її продуктивності з іншими моделями. Загальний обсяг роботи: 66 сторінок, 10 рисунки, 47 посилання. The master's qualification work was performed by a student of the CS-12 group, Primachenko Maksym. The topic of the work is “The use of fractal neural networks for time series forecasting”. The work is aimed at obtaining a master's degree in specialty 122 “Computer Science”. The object of research is the processes of time series forecasting in various fields of application. The subject of research is fractal neural networks and their application to improve the accuracy of time series forecasting. The object of research is the processes of time series forecasting in various fields of application. The subject of research is fractal neural networks and their application to improve the accuracy of time series forecasting. The goal is achieved by developing a fractal neural network that combines fractal convolutional units with recurrent layers (LSTM). This approach allows to effectively model complex nonlinear dependencies, long-term dependencies, and cyclic patterns in time series. The model has been tested on datasets of electricity consumption, sunspot activity, and Spotify stock price. The results show that the proposed model outperforms traditional approaches (BiLSTM, LSTM, CNN-LSTM) at medium forecasting horizons and demonstrates high accuracy for data with long-term and cyclical dependencies. As a result of the work, an effective forecasting model FractalNet-LSTM was created, a software implementation for studying time series in finance, energy and other areas was developed, and a comparative analysis of its performance with other models was conducted. The total volume of work: 66 pages, 10 figures, 47 references.