Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/41161
Повний запис метаданих
Поле DCЗначенняМова
dc.contributor.advisorФриз, Михайло Євгенович-
dc.contributor.authorВоробець, Ігор Володимирович-
dc.contributor.authorVorobets, Ihor Volodymyrovych-
dc.date.accessioned2023-05-25T13:47:56Z-
dc.date.available2023-05-25T13:47:56Z-
dc.date.issued2023-05-23-
dc.date.submitted2023-05-09-
dc.identifier.citationМоделі 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.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/41161-
dc.description.abstractКваліфікаційна 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.uk_UA
dc.description.tableofcontentsВступ 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 Додаткиuk_UA
dc.language.isoukuk_UA
dc.subjectчасові рядиuk_UA
dc.subjecttime seriesuk_UA
dc.subjectшаблони часових рядівuk_UA
dc.subjecttime series patternsuk_UA
dc.subjectциклічні часові рядиuk_UA
dc.subjectcyclical time seriesuk_UA
dc.subjectпрогнозування часових рядівuk_UA
dc.subjecttime series forecastinguk_UA
dc.subjectмодель прогнозування часових рядівuk_UA
dc.subjecttime series forecasting modeluk_UA
dc.subjectмодель ETSuk_UA
dc.subjectETS modeluk_UA
dc.subjectрегресійна модельuk_UA
dc.subjectregression modeluk_UA
dc.subjectмодель ARIMAuk_UA
dc.subjectARIMA modeluk_UA
dc.titleМоделі та методи прогнозування часових рядів із властивістю циклічностіuk_UA
dc.title.alternativeModels and Methods of Time Series Forecast with the Cyclicity Featureuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Воробець Ігор Володимирович, 2023uk_UA
dc.contributor.committeeMemberОсухівська, Галина Михайлівна-
dc.coverage.placenameТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject.udc004.67uk_UA
dc.relation.references1. 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).uk_UA
dc.relation.references2. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. OTexts, 2021.uk_UA
dc.relation.references3. Nielsen A. Practical Time Series Analysis: Prediction with Statistics and Machine Learning. O'Reilly Media, Inc., 2019. 504 p.uk_UA
dc.relation.references4. 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).uk_UA
dc.relation.references5. 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).uk_UA
dc.relation.references6. Time Series Forecasting Methods, Techniques & Models | InfluxData. InfluxData. URL: https://www.influxdata.com/time-series-forecasting-methods/ (date of access: 30.04.2023).uk_UA
dc.relation.references7. 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.uk_UA
dc.relation.references8. 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).uk_UA
dc.relation.references9. 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).uk_UA
dc.relation.references10. 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).uk_UA
dc.relation.references11. 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).uk_UA
dc.relation.references12. 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).uk_UA
dc.relation.references13. 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).uk_UA
dc.relation.references14. Types of Forecasts. Intensity. URL: http://intensity.com/wp-content/uploads/2016/07/Forecasting-Note-No1.pdf (date of access: 30.04.2023).uk_UA
dc.relation.references15. Residuals | STAT 462. Statistics Online. URL: https://online.stat.psu.edu/stat462/node/116/ (date of access: 30.04.2023).uk_UA
dc.relation.references16. Introduction to Simple Forecasting Methods. WFM eLearning. URL: https://wfmelearning.com/introduction-to-simple-forecasting-methods/ (date of access: 30.04.2023).uk_UA
dc.relation.references17. Measuring accuracy of point forecasts | Forecasting and Analytics with ADAM. OpenForecast. URL: https://openforecast.org/adam/errorMeasures.html (date of access: 30.04.2023).uk_UA
dc.relation.references18. Evaluating Forecast Accuracy. Universität Wien. URL: https://homepage.univie.ac.at/robert.kunst/procip.pdf (date of access: 30.04.2023).uk_UA
dc.relation.references19. Wheatcroft E. Interpreting the skill score form of forecast performance metrics. International Journal of Forecasting. 2019. Vol. 35, no. 2. P. 573–579.uk_UA
dc.relation.references20. 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).uk_UA
dc.relation.references21. Exponential Smoothing | Time Series Analysis. Bookdown. URL: https://bookdown.org/mpfoley1973/time-series/exponential.html (date of access: 30.04.2023).uk_UA
dc.relation.references22. Introduction to ETS | Forecasting and Analytics with ADAM. OpenForecast. URL: https://openforecast.org/adam/ETSConventional.html (date of access: 30.04.2023).uk_UA
dc.relation.references23. Cyclic and seasonal time series. Rob J Hyndman. URL: https://robjhyndman.com/hyndsight/cyclicts/ (date of access: 30.04.2023).uk_UA
dc.relation.references24. 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).uk_UA
dc.relation.references25. 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).uk_UA
dc.relation.references26. Hamers J. Piecewise Linear Regression. Medium. URL: https://medium.com/databulls/piecewise-linear-regression-30b63ff8a90d (date of access: 30.04.2023).uk_UA
dc.relation.references27. Thabethe A. Linear Regression with Time Series Data. Econometrics. 2005. Vol. 2.uk_UA
dc.relation.references28. Autoregressive Models. Statistics Online. URL: https://online.stat.psu.edu/stat501/book/export/html/996 (date of access: 30.04.2023).uk_UA
dc.relation.references29. 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).uk_UA
dc.relation.references30. 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).uk_UA
dc.relation.references31. Introduction to ARIMA models. Duke University. URL: https://people.duke.edu/~rnau/411arim.htm (date of access: 30.04.2023).uk_UA
dc.relation.references32. 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).uk_UA
dc.relation.references33. 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).uk_UA
dc.relation.references34. 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).uk_UA
dc.relation.references35. What are Neural Networks? IBM. URL: https://www.ibm.com/topics/neural-networks (date of access: 30.04.2023).uk_UA
dc.relation.references36. What is XGBoost?. NVIDIA Data Science Glossary. URL: https://www.nvidia.com/en-us/glossary/data-science/xgboost/ (date of access: 30.04.2023).uk_UA
dc.relation.references37. XGBoost Algorithm. Amazon Web Services. URL: https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost.html (date of access: 30.04.2023).uk_UA
dc.relation.references38. 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).uk_UA
dc.relation.references39. XGBoost. XGBoost. URL: https://xgboost.ai/ (date of access: 30.04.2023).uk_UA
dc.relation.references40. 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).uk_UA
dc.relation.references41. How LightGBM works. Amazon Web Services. URL: https://docs.aws.amazon.com/sagemaker/latest/dg/lightgbm-HowItWorks.html (date of access: 30.04.2023).uk_UA
dc.relation.references42. LightGBM - Overview. Microsoft on GitHub. URL: https://microsoft.github.io/SynapseML/docs/features/lightgbm/LightGBM%20-%20Overview/ (date of access: 30.04.2023).uk_UA
dc.relation.references43. pandas - Python Data Analysis Library. pandas. URL: https://pandas.pydata.org/about/ (date of access: 30.04.2023).uk_UA
dc.relation.references44. Welcome to sktime. sktime documentation. URL: https://sktime.readthedocs.io/en/stable/ (date of access: 30.04.2023).uk_UA
dc.relation.references45. Matplotlib – Visualization with Python. Matplotlib. URL: https://matplotlib.org/ (date of access: 30.04.2023).uk_UA
dc.relation.references46. 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).uk_UA
dc.relation.references47. 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).uk_UA
dc.relation.references48. 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).uk_UA
dc.relation.references49. 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).uk_UA
dc.relation.references50. 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).uk_UA
dc.relation.references51. 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).uk_UA
dc.relation.references52. 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).uk_UA
dc.relation.references53. Толок А.О., Крюковська О.А. Безпека життєдіяльності : навч. посіб. Кам’янське : ДДТУ, 2011. 215 с.uk_UA
dc.relation.references54. 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).uk_UA
dc.relation.references55. 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).uk_UA
dc.relation.references56. 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).uk_UA
dc.relation.references57. Війна і тероризм. Council of Europe. URL: https://www.coe.int/uk/web/compass/war-and-terrorism (дата звернення: 30.04.2023).uk_UA
dc.relation.references58. 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.uk_UA
dc.relation.references59. Журавель М.О. Конспект лекцій дисципліни «Цивільний захист і охорона праці в галузі» : конспект лекцій. Запоріжжя : НУ «Запорізька політехніка», 2020. 49 с.uk_UA
dc.relation.references60. 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).uk_UA
dc.relation.references61. Основи цивільного захисту : навч. посіб. / В.О. Васійчук, В.Є. Гончарук, С.І. Качан, С.М. Мохняк. Львів : НУ «Львівська політехніка», 2010. 417 с.uk_UA
dc.relation.references62. Фесенко Г.В., Д’яконов В.І. Курс лекцій з дисципліни «Цивільний захист» : курс лекцій. Харків : ХНУМГ ім. О. М. Бекет., 2015. 98 с.uk_UA
dc.contributor.affiliationТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
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