Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/41161
Назва: Моделі та методи прогнозування часових рядів із властивістю циклічності
Інші назви: Models and Methods of Time Series Forecast with the Cyclicity Feature
Автори: Воробець, Ігор Володимирович
Vorobets, Ihor Volodymyrovych
Приналежність: ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна
Бібліографічний опис: Моделі та методи прогнозування часових рядів із властивістю циклічності : кваліфікаційна робота магістра за спеціальністю «122 — комп’ютерні науки» / І. В. Воробець. — Тернопіль : ТНТУ, 2023. — 76 с.
Дата публікації: 23-тра-2023
Дата подання: 9-тра-2023
Дата внесення: 25-тра-2023
Країна (код): UA
Місце видання, проведення: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
Науковий керівник: Фриз, Михайло Євгенович
Члени комітету: Осухівська, Галина Михайлівна
УДК: 004.67
Теми: часові ряди
time series
шаблони часових рядів
time series patterns
циклічні часові ряди
cyclical time series
прогнозування часових рядів
time series forecasting
модель прогнозування часових рядів
time series forecasting model
модель ETS
ETS model
регресійна модель
regression model
модель ARIMA
ARIMA model
Короткий огляд (реферат): Кваліфікаційна робота присвячена розробці програмного засобу прогнозування часових рядів, що використовує методи та моделі прогнозування з урахуванням циклічності часових рядів. У першому розділі кваліфікаційної роботи виконано аналіз джерел щодо часових рядів та їх прогнозування. Висвітлено базові поняття щодо часових рядів і їх прогнозування та розглянуто етапи процесу прогнозування часових рядів. У другому розділі кваліфікаційної роботи проведено дослідження методів та моделей прогнозування часових рядів. Проаналізовано можливості роботи розглянутих методів і моделей з урахуванням циклічності часових рядів. У третьому розділі кваліфікаційної роботи здійснено вибір методів і моделей прогнозування часових рядів, які враховують їх циклічність. На основі них виконано розробку програмного засобу. Здійснено виконання розробленого програмного засобу та проведено аналіз отриманих прогнозів. Об’єкт дослідження: процес прогнозування часових рядів із властивістю циклічності. Предмет дослідження: методи, моделі та програмні засоби прогнозування часових рядів із властивістю циклічності. The qualification work is devoted to the development of a time series forecasting software that uses forecasting methods and models taking into account the cyclicality of the time series. In the first section of the qualification work, the analysis of the sources of time series and their forecasting was performed. The basic concepts of time series and their forecasting are covered, the stages of the time series forecasting process are considered. In the second section of the qualification work, a study of time series forecasting methods and models was conducted. The work possibilities of the considered methods and models are analyzed, taking into account the cyclicality of time series. In the third section of the qualification work, a selection of methods and models for forecasting time series, which take into account their cyclicity, was made. Based on them, the software was developed. The developed software was implemented and the received forecasts were analyzed. The object of research: the process of forecasting time series with the property of cyclicity. The subject of research: methods, models and software for forecasting time series with the property of cyclicity.
Зміст: Вступ 9 1 Аналітичний огляд літературних джерел за напрямом досліджень 11 1.1 Прогнозування часових рядів та аналіз предметних областей його використання 11 1.2 Складові часових рядів 12 1.2.1 Шаблони часових рядів 12 1.2.2 Декомпозиція часових рядів 15 1.3 Основи прогнозування часових рядів 16 1.3.1 Базові поняття прогнозування 16 1.3.2 Прості методи прогнозування 18 1.3.3 Оцінювання точності прогнозів 20 1.3.4 Перехресна перевірка прогнозування 23 1.4 Висновки до першого розділу 24 2 Дослідження методів та моделей прогнозування часових рядів 25 2.1 Методи та моделі експоненційного згладжування 25 2.1.1 Основні методи експоненційного згладжування 25 2.1.2 Моделі ETS 28 2.1.3 Прогнозування за допомогою моделей ETS з урахуванням циклічності часових рядів 30 2.2 Регресійні моделі 30 2.2.1 Лінійна регресія 30 2.2.2 Нелінійна регресія 31 2.2.3 Оцінка регресійних моделей 32 2.2.4 Прогнозування за допомогою регресійних моделей з урахуванням циклічності часових рядів 34 2.3 Моделі ARIMA 35 2.3.1 Авторегресійні моделі та моделі ковзного середнього 35 2.3.2 Властивості моделей ARIMA 36 2.3.3 Основні характеристики сезонних моделей ARIMA 38 2.3.4 Прогнозування за допомогою моделей ARIMA та SARIMA з урахуванням циклічності часових рядів 39 2.4 Комплексні моделі прогнозування та моделі штучних нейронних мереж 40 2.4.1 Динамічні регресійні моделі 40 2.4.2 Векторні авторегресійні моделі 41 2.4.3 Моделі штучних нейронних мереж 43 2.5 Висновки до другого розділу 44 3 Розробка програмного засобу для прогнозування циклічних часових рядів та аналіз експериментальних результатів 45 3.1 Постановка завдання розробки програмного засобу прогнозування циклічних часових рядів 45 3.2 Обґрунтування вибору методів та моделей прогнозування циклічних часових рядів 46 3.2.1 Модель ARIMA 46 3.2.2 Модель XGBoost 47 3.2.3 Модель LightGBM 47 3.3 Розробка програмного засобу прогнозування циклічних часових рядів 48 3.3.1 Вибір засобів розробки 48 3.3.2 Розробка модулів програмного засобу 49 3.4 Аналіз та прогнозування експериментальних даних 53 3.4.1 Аналіз часового ряду для прогнозування 54 3.4.2 Використання програмного засобу прогнозування циклічних часових рядів 57 3.5 Висновки до третього розділу 61 4 Охорона праці та безпека в надзвичайних ситуаціях 62 4.1 Характеристика НС природного характеру. Характеристика НС соціального характеру 62 4.2 Підвищення стійкості роботи об’єктів приладобудівної галузі у воєнний час 65 4.3 Висновки до четвертого розділу 68 Висновки 69 Перелік джерел 70 Додатки
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/41161
Власник авторського права: © Воробець Ігор Володимирович, 2023
Перелік літератури: 1. Introduction to Time Series Analysis. Definitions, Applications and Techniques. Information Technology Laboratory | NIST. URL: https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc41.htm (date of access: 30.04.2023).
2. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. OTexts, 2021.
3. Nielsen A. Practical Time Series Analysis: Prediction with Statistics and Machine Learning. O'Reilly Media, Inc., 2019. 504 p.
4. Statswork. Application of Time Series Analysis in Financial Economics. Medium. URL: https://statswork.medium.com/application-of-time-series-analysis-in-financial-economics-c1a7e1b69d04 (date of access: 30.04.2023).
5. Time Series Analysis and Forecasting: Examples, Approaches, and Tools. AltexSoft. URL: https://www.altexsoft.com/blog/business/time-series-analysis-and-forecasting-novel-business-perspectives/ (date of access: 30.04.2023).
6. Time Series Forecasting Methods, Techniques & Models | InfluxData. InfluxData. URL: https://www.influxdata.com/time-series-forecasting-methods/ (date of access: 30.04.2023).
7. Time Series Forecasting for Healthcare Diagnosis and Prognostics with the Focus on Cardiovascular Diseases / C. Bui et al. 6th International Conference on the Development of Biomedical Engineering in Vietnam (BME6). Singapore, 2017. P. 809–818.
8. Time Series Patterns. Hydropedia - Pratik Solanki's Blog. URL: http://hydropedia.blogspot.com/2014/03/time-series-patterns.html (date of access: 30.04.2023).
9. Components of a time series. IHMC Sample Knowledge Models. URL: https://cmapskm.ihmc.us/rid=1052458821502_1749267941_6906/components.pdf (date of access: 30.04.2023).
10. Time Series Analysis: The Basics. Australian Bureau of Statistics. URL: https://www.abs.gov.au/websitedbs/d3310114.nsf/home/time+series+analysis:+the+basics (date of access: 30.04.2023).
11. Decomposition Models | STAT 510. PennState: Statistics Online Courses. URL: https://online.stat.psu.edu/stat510/lesson/5/5.1 (date of access: 30.04.2023).
12. How to Decompose Time Series Data into Trend and Seasonality - MachineLearningMastery.com. MachineLearningMastery.com. URL: https://machinelearningmastery.com/decompose-time-series-data-trend-seasonality/ (date of access: 30.04.2023).
13. Types of forecasts | Forecasting and Analytics with ADAM. OpenForecast. URL: https://www.openforecast.org/adam/types-of-forecasts.html (date of access: 30.04.2023).
14. Types of Forecasts. Intensity. URL: http://intensity.com/wp-content/uploads/2016/07/Forecasting-Note-No1.pdf (date of access: 30.04.2023).
15. Residuals | STAT 462. Statistics Online. URL: https://online.stat.psu.edu/stat462/node/116/ (date of access: 30.04.2023).
16. Introduction to Simple Forecasting Methods. WFM eLearning. URL: https://wfmelearning.com/introduction-to-simple-forecasting-methods/ (date of access: 30.04.2023).
17. Measuring accuracy of point forecasts | Forecasting and Analytics with ADAM. OpenForecast. URL: https://openforecast.org/adam/errorMeasures.html (date of access: 30.04.2023).
18. Evaluating Forecast Accuracy. Universität Wien. URL: https://homepage.univie.ac.at/robert.kunst/procip.pdf (date of access: 30.04.2023).
19. Wheatcroft E. Interpreting the skill score form of forecast performance metrics. International Journal of Forecasting. 2019. Vol. 35, no. 2. P. 573–579.
20. What is Exponential Smoothing? Information Technology Laboratory | NIST. URL: https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc43.htm (date of access: 30.04.2023).
21. Exponential Smoothing | Time Series Analysis. Bookdown. URL: https://bookdown.org/mpfoley1973/time-series/exponential.html (date of access: 30.04.2023).
22. Introduction to ETS | Forecasting and Analytics with ADAM. OpenForecast. URL: https://openforecast.org/adam/ETSConventional.html (date of access: 30.04.2023).
23. Cyclic and seasonal time series. Rob J Hyndman. URL: https://robjhyndman.com/hyndsight/cyclicts/ (date of access: 30.04.2023).
24. Beers B. What is Regression? Definition, Calculation, and Example. Investopedia. URL: https://www.investopedia.com/terms/r/regression.asp (date of access: 30.04.2023).
25. Linear Regression. Department of Statistics and Data Science. URL: http://www.stat.yale.edu/Courses/1997-98/101/linreg.htm (date of access: 30.04.2023).
26. Hamers J. Piecewise Linear Regression. Medium. URL: https://medium.com/databulls/piecewise-linear-regression-30b63ff8a90d (date of access: 30.04.2023).
27. Thabethe A. Linear Regression with Time Series Data. Econometrics. 2005. Vol. 2.
28. Autoregressive Models. Statistics Online. URL: https://online.stat.psu.edu/stat501/book/export/html/996 (date of access: 30.04.2023).
29. Moving Average Models (MA models) | STAT 510. PennState: Statistics Online Courses. URL: https://online.stat.psu.edu/stat510/lesson/2/2.1 (date of access: 30.04.2023).
30. Hayes A. Autoregressive Integrated Moving Average (ARIMA) Prediction Model. Investopedia. URL: https://www.investopedia.com/terms/a/autoregressive-integrated-moving-average-arima.asp (date of access: 30.04.2023).
31. Introduction to ARIMA models. Duke University. URL: https://people.duke.edu/~rnau/411arim.htm (date of access: 30.04.2023).
32. Seasonal ARIMA models | STAT 510. PennState: Statistics Online Courses. URL: https://online.stat.psu.edu/stat510/lesson/4/4.1 (date of access: 30.04.2023).
33. STAT481/581: Introduction to Time Series Analysis. Department of Mathematics & Statistics | New Mexico's Flagship University. URL: https://math.unm.edu/~lil/Stat581/10-dynamic-regression.pdf (date of access: 30.04.2023).
34. Vector Autoregressions. Introduction to Econometrics with R. URL: https://www.econometrics-with-r.org/16-1-vector-autoregressions.html (date of access: 30.04.2023).
35. What are Neural Networks? IBM. URL: https://www.ibm.com/topics/neural-networks (date of access: 30.04.2023).
36. What is XGBoost?. NVIDIA Data Science Glossary. URL: https://www.nvidia.com/en-us/glossary/data-science/xgboost/ (date of access: 30.04.2023).
37. XGBoost Algorithm. Amazon Web Services. URL: https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html (date of access: 30.04.2023).
38. Saha S. XGBoost vs LightGBM: How Are They Different. neptune.ai. URL: https://neptune.ai/blog/xgboost-vs-lightgbm (date of access: 30.04.2023).
39. XGBoost. XGBoost. URL: https://xgboost.ai/ (date of access: 30.04.2023).
40. Welcome to LightGBM’s documentation!. LightGBM 3.3.5 documentation. URL: https://lightgbm.readthedocs.io/en/v3.3.5/index.html (date of access: 30.04.2023).
41. How LightGBM works. Amazon Web Services. URL: https://docs.aws.amazon.com/sagemaker/latest/dg/lightgbm-HowItWorks.html (date of access: 30.04.2023).
42. LightGBM - Overview. Microsoft on GitHub. URL: https://microsoft.github.io/SynapseML/docs/features/lightgbm/LightGBM%20-%20Overview/ (date of access: 30.04.2023).
43. pandas - Python Data Analysis Library. pandas. URL: https://pandas.pydata.org/about/ (date of access: 30.04.2023).
44. Welcome to sktime. sktime documentation. URL: https://sktime.readthedocs.io/en/stable/ (date of access: 30.04.2023).
45. Matplotlib – Visualization with Python. Matplotlib. URL: https://matplotlib.org/ (date of access: 30.04.2023).
46. AutoARIMA. sktime documentation. URL: https://www.sktime.net/en/latest/api_reference/auto_generated/sktime.forecasting.arima.AutoARIMA.html (date of access: 30.04.2023).
47. Hyperparameter Optimization With Random Search and Grid Search. MachineLearningMastery.com. URL: https://machinelearningmastery.com/hyperparameter-optimization-with-random-search-and-grid-search/ (date of access: 30.04.2023).
48. Exports of goods and services (% of GDP) - Mauritania. World Bank Open Data. URL: https://data.worldbank.org/indicator/NE.EXP.GNFS.ZS?contextual=default&end=2021&locations=MR&name_desc=false&start=1960&view=chart (date of access: 30.04.2023).
49. Masui T. Multi-step Time Series Forecasting with ARIMA, LightGBM, and Prophet. Medium. URL: https://towardsdatascience.com/multi-step-time-series-forecasting-with-arima-lightgbm-and-prophet-cc9e3f95dfb0 (date of access: 30.04.2023).
50. Chaudhary M. Why is Augmented Dickey–Fuller test (ADF Test) so important in Time Series Analysis. Medium. URL: https://medium.com/@cmukesh8688/why-is-augmented-dickey-fuller-test-adf-test-so-important-in-time-series-analysis-6fc97c6be2f0 (date of access: 30.04.2023).
51. Кодекс цивільного захисту України : Кодекс України від 02.10.2012 р. № 5403-VI : станом на 31 берез. 2023 р. URL: https://zakon.rada.gov.ua/laws/show/5403-17#Text (дата звернення: 30.04.2023).
52. Березюк О.В., Лемешев М.С. Безпека життєдіяльності. URL: https://web.posibnyky.vntu.edu.ua/fmbt/berezyuk_bezpeka_zhittyediyalnosti/index.htm (дата звернення: 30.04.2023).
53. Толок А.О., Крюковська О.А. Безпека життєдіяльності : навч. посіб. Кам’янське : ДДТУ, 2011. 215 с.
54. Лекція 2. Надзвичайні ситуації мирного та воєнного часу, їх вплив на безпеку життєдіяльності населення України. Інформаційно-обчислювальний центр – Національний технічний університет «Харківський політехнічний інститут». URL: http://web.kpi.kharkov.ua/safetyofliving/wp-content/uploads/sites/171/2017/02/go_lekcia_2.pdf (дата звернення: 30.04.2023).
55. Приходько Р.В. Надзвичайна ситуація: поняття, зміст, характеристика. Державне будівництво. 2011. № 1. URL: http://nbuv.gov.ua/UJRN/DeBu_2011_1_47 (дата звернення: 30.04.2023).
56. Тема 4. Соціальні небезпеки, їх види та особливості. ОДУВС – Одеський державний університет внутрішніх справ. URL: https://oduvs.edu.ua/wp-content/uploads/2016/09/Lektsiya-OP-4.pdf (дата звернення: 30.04.2023).
57. Війна і тероризм. Council of Europe. URL: https://www.coe.int/uk/web/compass/war-and-terrorism (дата звернення: 30.04.2023).
58. Охорона праці в галузі та цивільний захист : навч. посіб. / Ю.А. Гасило, О.А. Крюковська. К.О. Левчук, Р.Я. Романюк. Кам’янське : ДДТУ, 2017. 369 с.
59. Журавель М.О. Конспект лекцій дисципліни «Цивільний захист і охорона праці в галузі» : конспект лекцій. Запоріжжя : НУ «Запорізька політехніка», 2020. 49 с.
60. Лекція № 4 на тему: Стійкість роботи промислових об’єктів у надзвичайних ситуаціях. Освітній сайт КНУБА. URL: https://org2.knuba.edu.ua/pluginfile.php/114575/mod_resource/content/1/Лекція%20№4.pdf (дата звернення: 30.04.2023).
61. Основи цивільного захисту : навч. посіб. / В.О. Васійчук, В.Є. Гончарук, С.І. Качан, С.М. Мохняк. Львів : НУ «Львівська політехніка», 2010. 417 с.
62. Фесенко Г.В., Д’яконов В.І. Курс лекцій з дисципліни «Цивільний захист» : курс лекцій. Харків : ХНУМГ ім. О. М. Бекет., 2015. 98 с.
Тип вмісту: Master Thesis
Розташовується у зібраннях:122 — комп’ютерні науки

Файли цього матеріалу:
Файл Опис РозмірФормат 
2023_KRM_SNnm-61_Vorobets_I_V.pdf4,22 MBAdobe PDFПереглянути/відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора