1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 124 — системний аналіз
Empreu aquest identificador per citar o enllaçar aquest ítem: http://elartu.tntu.edu.ua/handle/lib/51437
Registre complet de metadades
Camp DCValorLengua/Idioma
dc.contributor.advisorЯцишин, Василь Володимирович-
dc.contributor.authorЛісовий, Володимир Григорович-
dc.contributor.authorLisovyi, Volodymyr-
dc.date.accessioned2026-01-27T22:54:27Z-
dc.date.available2026-01-27T22:54:27Z-
dc.date.issued2025-12-23-
dc.date.submitted2025-01-16-
dc.identifier.citationЛісовий В. Г. Технологія проєктування архітектури трансформера для класифікації багатовимірних часових рядів : робота на здобуття кваліфікаційного ступеня магістра : спец. 124 – cистемний аналіз / наук. кер. Яцишин Василь Володимирович. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 71 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/51437-
dc.description.abstractКваліфікаційна робота спрямована на створення архітектури трансформера для класифікації багатовимірних часових рядів, яка дає змогу враховувати взаємозв'язки між усіма вимірами, а також і вздовж кожного виміру часового ряду. Архітектура дозволить виявляти закономірності багатовимірних часових рядів та покращити результати класифікації для різних завдань. У першій частині наведено особливості проведення аналізу часових рядів із використанням методів машинного навчання та трансформерів для їх класифікації. Описані основні підходи до вирішення задачі класифікації багатовимірних часових рядів. Також у цій частині виявляються основні недоліки існуючих методів. У другій частині наведена архітектура розроблюваної моделі. Докладно описано дані з тестового набору для оцінки розробленої моделі. У третій частині виявляються основні характеристики використовуваних даних, описується розроблений інструмент автоматичного підбору гіперпараметрів моделі. Докладно розкриваються кроки тестування та його результати. Розділ закінчується виявленням впливу особливостей розробленої архітектури на результати тестуванняuk_UA
dc.description.abstractThesis is aimed at creating a transformer architecture for classifying multidimensional time series, which allows taking into account the relationships between all dimensions, as well as along each dimension of the time series. The architecture will allow identifying patterns in multidimensional time series and improving classification results for various tasks. The first part presents the features of time series analysis using machine learning methods and transformers for their classification. The main approaches to solving the problem of classifying multidimensional time series are described. This part also reveals the main shortcomings of existing methods. The second part presents the architecture of the developed model. The data from the test set for evaluating the developed model is described in detail. The third part reveals the main characteristics of the data used, describes the developed tool for automatic selection of model hyperparameters. The testing steps and its results are disclosed in detail. The section ends with identifying the influence of the features of the developed architecture on the testing results.uk_UA
dc.description.tableofcontentsВступ ... 9 1 Аналіз предметної області ...11 1.1 Проведення аналізу часових рядів із використанням методів машинного навчання ...11 1.2 Застосування моделей трансформерів для класифікації багатовимірних часових рядів ...14 1.3 Стратегії токенізації ...17 1.3.1 TPT ...18 1.3.2 TVT ... 18 1.3.3 Patching ...18 1.4 Недоліки застосування існуючих моделей трансформерів для класифікації багатовимірних часових рядів...19 1.5 Висновки до першого розділу ....21 2 Теоретична частина ...22 2.1 Архітектура розроблюваної моделі ...22 2.2 Опис даних для оцінки розробленої моделі ...24 2.3 Висновки до другого розділу ...40 3 Практична частина ... 41 3.1 Інструмент автоматичного підбору гіперпараметрів ... 41 3.1.1 Алгоритм роботи інструменту ... 41 3.1.2 Інтерфейс інструменту ...43 3.1.3 Алгоритм використання інструменту ...46 3.2 Тестування розробленої моделі ... 47 3.3 Вплив особливостей розробленої моделі ...50 3.3.1 Вплив розміру патчу...50 3.3.2 Вплив кількості енкодерів ...53 3.4 Висновки до третього розділу...55 4 Охорона праці та безпека в надзвичайних ситуаціях...56 4.1 Закордонний досвід організації охорони праці в ІТ-компаніях...56 4.2 Оцінка дії електромагнітного імпульсу на елементи комп’ютерної системи...60 4.3 Висновки до четвертого розділу ... 63 Висновки ...64 Перелік джерел ...66 Додаткиuk_UA
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.subjectбагатовимірний часовий рядuk_UA
dc.subjectmultidimensional time seriesuk_UA
dc.subjectгіперпараметриuk_UA
dc.subjecthyperparametersuk_UA
dc.subjectенкодерuk_UA
dc.subjectencoderuk_UA
dc.subjectпатчuk_UA
dc.subjectpatchuk_UA
dc.subjectтрансформерuk_UA
dc.subjecttransformeruk_UA
dc.titleТехнологія проєктування архітектури трансформера для класифікації багатовимірних часових рядівuk_UA
dc.title.alternativeTransformer architecture design technology for multidimensional time series classificationuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Лісовий Володимир Григорович, 2025uk_UA
dc.coverage.placenameТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.format.pages71-
dc.relation.references1. Christopher Chatfield. The Analysis of Time Series: Theory and Practice / Christopher Chatfield. New York: Springer-Science+Business Media, B.V., 2013. 263 с.uk_UA
dc.relation.references2. Abdullayeva F., Imamverdiyev Y. Development of oil production forecasting method based on deep learning //Statistics, Optimization & Information Computing. 2019. V. 7. №. 4. P. 826-839.uk_UA
dc.relation.references3. Liu X. et al. Deep learning in ECG diagnosis: A review //Knowledge-Based Systems. 2021. V. 227. P. 107187.uk_UA
dc.relation.references4. Assaad R. H., Fayek S. Predicting the price of crude oil and its fluctuations using computational econometrics: deep learning, LSTM, and convolutional neural networks //Econometric Research in Finance. 2021. V. 6. №. 2. P. 119-137.uk_UA
dc.relation.references5. Ozbayoglu A. M., Gudelek M. U., Sezer O. B. Deep learning for financial applications: A survey //Applied Soft Computing. 2020. V. 93. P. 106384.uk_UA
dc.relation.references6. Jansen S. Machine Learning for Algorithmic Trading: 2020. [Електронний ресурс] – Режим доступу: https://www.amazon.com/Machine-Learning-Algorithmic-Tradingalternative/dp/1839217715 (дата звернення: 18.11.2025).uk_UA
dc.relation.references7. Leveraging XGBoost for Time-Series Forecasting. [Електронний ресурс] – Режим доступу https://www.kdnuggets.com/2023/08/leveraging-xgboost-timeseries-forecasting.html (дата звернення: 19.11.2025).uk_UA
dc.relation.references8. Берзлев О. Ю. Сучасний стан інформаційних систем прогнозування часових рядів / О. Ю. Берзлев // ДВНЗ «Ужгородський національний університет». 2013. №13. С. 78–82.uk_UA
dc.relation.references9. Кащєєва В. Ю. Інформаційна технологія аналізу багатокомпонентних процесів за часовими рядами на основі інтервальних прогнозних моделей : автореф. дис. ... канд. техн. наук : 05.13.06. Харків, 2014.uk_UA
dc.relation.references10. Roy, Y., Banville, H., Albuquerque, I., Gramfort, A., Falk, T. H., & Faubert, J. (2019). Deep learning-based electroencephalography analysis: a systematic review. Journal of Neural Engineering, 16(5), 051001.uk_UA
dc.relation.references11. Lai R. K. et al. Evolving and clustering fuzzy decision tree for financial time series data forecasting //Expert Systems with Applications. 2009. V. 36. №. 2. P. 3761-3773.uk_UA
dc.relation.references12. Chen Y. et al. Dtw-d: time series semi-supervised learning from a single example //Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. 2013. P. 383-391.uk_UA
dc.relation.references13. Siami-Namini S., Tavakoli N., Namin A. S. The performance of LSTM and BiLSTM in forecasting time series //2019 IEEE International conference on big data (Big Data). IEEE, 2019. P. 3285-3292.uk_UA
dc.relation.references14. Wang Z., Yan W., Oates T. Time series classification from scratch with deep neural networks: A strong baseline //2017 International joint conference on neural networks (IJCNN). EEE, 2017. P. 1578-1585.uk_UA
dc.relation.references15. Yue Z. et al. Ts2vec: Towards universal representation of time series //Proceedings of the AAAI Conference on Artificial Intelligence. 2022. V. 36. №. 8. P. 8980-8987.uk_UA
dc.relation.references16. Vaswani, A., et al. Attention Is All You Need. Proceedings of the 31st International Conference on Neural Information Processing Systems, Long Beach, 4-9 December 2017, pp. 6000-6010uk_UA
dc.relation.references17. Yun C. et al. Are transformers universal approximators of sequence-tosequence functions? //arXiv preprint arXiv:1912.10077. 2019.uk_UA
dc.relation.references18. Zhou H. et al. Informer: Beyond efficient transformer for long sequence timeseries forecasting //Proceedings of the AAAI conference on artificial intelligence. 2021. V. 35. №. 12. P. 11106-11115uk_UA
dc.relation.references19. Wu H. et al. Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting //Advances in Neural Information Processing Systems. 2021. V. 34. P. 22419-22430.uk_UA
dc.relation.references20. Zhou T. et al. Fedformer: Frequency enhanced decomposed transformer for long-term series forecasting //International Conference on Machine Learning. – PMLR, 2022. P. 27268-27286uk_UA
dc.relation.references21. Zeng A. et al. Are transformers effective for time series forecasting? //Proceedings of the AAAI conference on artificial intelligence. 2023. V. 37. №. 9. P. 11121-11128.uk_UA
dc.relation.references22. Nie Y. et al. A time series is worth 64 words: Long-term forecasting with transformers //arXiv preprint arXiv:2211.14730. 2022.uk_UA
dc.relation.references23. Yu C. et al. DSformer: a double sampling transformer for multivariate time series long-term prediction //Proceedings of the 32nd ACM International Conference on Information and Knowledge Management. 2023. P. 3062-3072uk_UA
dc.relation.references24. Wen Q. et al. Transformers in time series: A survey //arXiv preprint arXiv:2202.07125. 2022, V.5, P.19-27.uk_UA
dc.relation.references25. Zhou Z. et al. A K-variate Time Series Is Worth K Words: Evolution of the Vanilla Transformer Architecture for Long-term Multivariate Time Series Forecasting //arXiv preprint arXiv:2212.02789. 2022.uk_UA
dc.relation.references26. Bagnall A. et al. The UEA multivariate time series classification archive, //arXiv preprint arXiv:1811.00075. 2018uk_UA
dc.relation.references27. Zerveas G. et al. A transformer-based framework for multivariate time series representation learning //Proceedings of the 27th ACM SIGKDD conference on knowledge discovery & data mining. 2021. P. 2114-2124.uk_UA
dc.relation.references28. Devlin J. et al. Bert: Pre-training of deep bidirectional transformers for language understanding //arXiv preprint arXiv:1810.04805. 2018.uk_UA
dc.relation.references29. Liu M. et al. Gated transformer networks for multivariate time series classification //arXiv preprint arXiv:2103.14438. 2021.uk_UA
dc.relation.references30. Baydogan M. G., Runger G. Learning a symbolic representation for multivariate time series classification //Data Mining and Knowledge Discovery. 2015. V. 29. P. 400-422.uk_UA
dc.relation.references31. Chowdhury R. R. et al. Tarnet: Task-aware reconstruction for time-series transformer //Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2022. P. 212-220.uk_UA
dc.relation.references32. Yang C. et al. Dyformer: A dynamic transformer-based architecture for multivariate time series classification //Information Sciences. 2024. V. 656.P. 119881.uk_UA
dc.relation.references33. Yang C. H. H., Tsai Y. Y., Chen P. Y. Voice2series: Reprogramming acoustic models for time series classification //International conference on machine learning. PMLR, 2021. P. 11808-11819.uk_UA
dc.relation.references34. Rußwurm M., Körner M. Self-attention for raw optical satellite time series classification //ISPRS journal of photogrammetry and remote sensing. 2020. V. 169. P. 421-435uk_UA
dc.relation.references35. Webster J. J., Kit C. Tokenization as the initial phase in NLP //COLING 1992 volume 4: The 14th international conference on computational linguistics. 1992.uk_UA
dc.relation.references36. Su L. et al. Beyond Two-Tower Matching: Learning Sparse Retrievable CrossInteractions for Recommendation //Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. 2023. p. 548-557.uk_UA
dc.relation.references37. Лісовий В.Г. Архітектура трансформера для класифікації багатовимірних часових рядів // XIV Міжнародна науково-практична конференція молодих учених та студентів «Актуальні задачі сучасних технологій», Тернопіль, 11-12. Грудня 2025 р. с. 289 - 291.uk_UA
dc.relation.references38. Лісовий В.Г., Семенишин Г.М. Алгоритм роботи програмного інструменту автоматичного підбору гіперпараметрів трансформера // Інформаційні моделі, системи та технології: Праці XІІІ наук.-техн. конф. Тернопіль, 17-18 грудня 2025 р. с. 56-57.uk_UA
dc.relation.references39. Python Documentation. [Електронний ресурс] – Режим доступу: https://www.python.org/ (дата звертання: 16.11.2025).uk_UA
dc.relation.references40. Gradio Documentation [Електронний ресурс] – Режим доступу: https://www.gradio.app/ (дата звертання: 17.11.2025).uk_UA
dc.relation.references41. Zhou T. et al. Fedformer: Frequency enhanced decomposed transformer for long-term series forecasting //International Conference on Machine Learning. PMLR, 2022. P. 27268-27286.uk_UA
dc.relation.references42. Yatsyshyn V., Pastukh O., Palamar A., Zharovskyy R. Technology of relational database management systems performance evaluation during computer systems design. Scientific Journal of TNTU, Ternopil, Ukraine, 2023. Vol. 109, No 1. P. 54–65.uk_UA
dc.relation.references43. Skorenkyy Y., Kozak R., Zagorodna N., Kramar O., Baran, I. Use of augmented reality-enabled prototyping of cyber-physical systems for improving cybersecurity education. Journal of Physics: Conference Series. 2021. Vol. 1840, No. 1. DOI: http://dx.doi.org/10.1088/1742-6596/1840/1/012026.uk_UA
dc.relation.references44. Микитишин А. Г., Митник М. М., Стухляк П. Д., Пасічник В. В. Комп’ютерні мережі. Книга 2. [навчальний посібник]. Львів : "Магнолія 2006", 2014. 312 с.uk_UA
dc.relation.references45. Микитишин А. Г., Митник М. М., Стухляк П. Д. Телекомунікаційні системи та мережі. Тернопіль: Тернопільський національний технічний університет імені Івана Пулюя, 2017. 384 с.uk_UA
dc.relation.references46. Сьогодні UA [Електронний ресурс] – Режим доступу: https://www.segodnya.ua/lifestyle/fun/pochti-kak-u-googlechemudivlyayut-ofisy-ukrainskih-it-kompaniy--764025.html (дата звертання 10.12.2025).uk_UA
dc.relation.references47. Як працюють в Google? Умови, в яких хочеться трудитися. [Електронний ресурс] – Режим доступу: http://www.clevers.com.ua/articles-cleveradvertising-agency/success-stories/245-google2 (дата звертання 10.12.2025).uk_UA
dc.relation.references48. Офіс мрії: Робота в компанії Google. [Електронний ресурс] – Режим доступу:http://bigpicture.ua/?p=187580 (дата звертання 11.12.2025).uk_UA
dc.relation.references49. Офіс Facebook: Репортаж із RMA SiliconTrip. [Електронний ресурс] – Режим доступу:https://habrahabr.ru/company/rma/blog/103800/ (дата звертання 11.12.2025).uk_UA
dc.relation.references50. Класифікатор професій ДК 003:2010. [Електронний ресурс] – Режим доступу: https://zakon.rada.gov.ua/rada/show/va327609-10 (дата звертання 11.12.2025).uk_UA
dc.relation.references51. Закон України «Про охорону праці». [Електронний ресурс] – Режим доступу: https://zakon.rada.gov.ua/laws/show/2694-12 (дата звертання 12.12.2025).uk_UA
dc.relation.references52. ДНАОП 0.00-8.20-99. Порядок проведення експертизи електроустановок споживачів/ [Електронний ресурс] – Режим доступу: https://dnaop.com/html/43255/doc-%D0%94%D0%9D%D0%90%D0%9E%D0 %9F _ 0.00-8.20-99 - (дата звертання 12.12.2025).uk_UA
dc.relation.references53. Безпека в надзвичайних ситуаціях. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання / укл.: Стручок В. С. Тернопіль: ФОП Паляниця В. А., 2022. 156 с.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюя, факультет комп’ютерно-інформаційних систем та програмної інженерії, кафедра систем штучного інтелекту та аналізу даних, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
Apareix a les col·leccions:124 — системний аналіз

Arxius per aquest ítem:
Arxiu Descripció MidaFormat 
Mag_Lisovyi_V_G_2025.pdf2,88 MBAdobe PDFVeure/Obrir
авторська довідка_Biblio_SAm-61_Lisovyi_2025.docx31,57 kBMicrosoft Word XMLVeure/Obrir
Mostrar el registre simplificat de l'ítem


Els ítems de DSpace es troben protegits per copyright, amb tots els drets reservats, sempre i quan no s’indiqui el contrari.

Eines d'Administrador