часовий ряд

The role of functional activation in neural networks in the context of financial time series analysis

Nowadays, neural networks are among the most popular analysis tools.  They are effective in solving classification, pattern recognition, and clustering problems.  This paper provides a detailed description and analysis of the operational principles of two neural networks, namely a Siamese network and a multilayer perceptron.  A model for using these neural networks in time series forecasting is proposed.  As an example, a web application was created in which the described neural networks were used to analyze the correlation between pairs of financial assets and assess t

Neural network models with different input: An application on stock market forecasting

It is no doubt challenging to forecast the stock market accurately in reality due to the ever-changing market.  Ever since Artificial Neural Networks (ANNs) have been recognized as universal approximators, they are extensively used in forecasting albeit not having a systematic approach in identifying optimal input.  The appropriate number of significant lags of a time series corresponds to the optimal input in time series forecasting.  Hence, this study aims to compare the effect of several approaches in determining the input lag for ANNs prior to stock market forecasti

Dynamic learning rate adjustment using volatility in LSTM models for KLCI forecasting

The prediction of financial market behaviour constitutes a multifaceted challenge, attributable to the underlying volatility and non-linear characteristics inherent within market data.  Long Short-Term Memory (LSTM) models have demonstrated efficacy in capturing these complexities.  This study proposes a novel approach to enhance LSTM model performance by modulating the learning rate adaptively based on market volatility.  We apply this method to forecast the Kuala Lumpur Composite Index (KLCI), leveraging volatility as a key input to adapt the learning rate during trai

Impact of information on solar flares and earthquakes on the prediction of the annual dynamics of the infrasound wave envelope

The research results on the effectiveness of using data on solar flares and earthquakes to predict the infrasound wave envelope are presented.  The resulting SARIMAX model, enhanced with the aforementioned external factors, exhibits a 30% reduction in mean squared error and a 29% increase in the coefficient of determination compared to the previously presented ARIMA model.  Additionally, a significant achievement of the new approach, compared to previous ones, is the successful reproduction of the sharp intensity drop in the envelope during the August–September–October

ПРОГНОЗУВАННЯ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ ЗА ДОПОМОГОЮ АНСАМБЛЮ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ

The use of machine learning models for electricity consumption prediction for smart grid has been investigated. It was found that data pre-processing can improve the performance of the energy consumption prediction model, while machine learning algorithms can improve model prediction accuracy through the integration of multiple algorithms and hyperparameter optimization. It was found that the ensemble learning method can provide better prediction accuracy than each individual method by combining the strong features of different methods that have different structural characteristics.

Прогнозування багатовимірних нестаціонарних часових рядів на основі адаптивної нео-фаззі-моделі

Введено структуру адаптивного нео-фаззі-предиктора та багатовимірного нео- фаззі-нейрона, а також метод навчання останнього. Запропонований алгоритм навчання має підвищену швидкість збіжності та забезпечує фільтруючі властивості. Завдяки введеній нейромережевій архітектурі, вузлами якої є нео-фаззі-нейрони, можна розв’язувати задачі короткострокового прогнозування у реальному часі за умов короткої навчальної вибірки.

Вплив функції активації RBF нейронної мережі на ефективність прогнозування кількості відмов програмного забезпечення

Досліджено вплив функції активації нейронної мережі типу RBF на ефективність навчання та прогнозування надійності програмного забезпечення у вигляді часових рядів. Показано, що оптимальною функцією активації для цієї задачі є Inverse Multiquadric з 10 нейронами у вхідному шарі та 30 – у прихованому.

Методи машинного навчання для підвищення енергоефективності будівель

Прогнозування споживання енергії в будівлі відіграє важливу роль, оскільки воно може допомогти оцінити її енергоефективність, виявити й діагностувати несправності системи енергопостачання, а також зменшити витрати коштів і покращити вплив на клімат. Проаналізовано актуальні дослідження у галузі забезпечення енергоефективності будівель, зокрема, їх енергетичної оцінки з урахуванням типів розглядуваних моделей.

Mathematical modeling and statistical analysis of Moroccan mean annual rainfall using EXPAR processes

In this work, we propose a study of the mean annual rainfall time series in order to evaluate the climate changes pattern over time.  If the analysis of this time series is carried out correctly, it can contribute to improve planning and policy development.  That is why we consider the problem of mathematical modeling and analysis of the mean annual rainfall of Morocco between 1901 and 2020 using descriptive statistics, structure changes analysis, spectral analysis and a nonlinear Exponential Autoregressive (EXPAR) processes to reproduce the behavior of this time series

Розроблення програмного та алгоритмічного забезпечення для прогнозування курсу криптовалют з використанням методів фрактального аналізу

У роботі створено програмне та алгоритмічне забезпечення для моделювання та прогнозування криптовалюти Bitcoin з використанням фрактальної моделі ARFIMA (AutoRegressive Fractionally Integrated Moving Average). Проведено аналіз моделей прогнозування часових рядів (авторегресійні, фрактальні).  Також  проведено   підбір найбільш відповідних параметрів обраної фрактальної моделі для максимізації точності з огляду на метрику RMSE. Проаналізовані ряди на наявність тренду, сезонності, білого шуму, нестаціонарності та довготривалої пам’яті.