часовий ряд

МАТЕМАТИЧНІ МОДЕЛІ ДЛЯ АНАЛІЗУ ТА ПРОГНОЗУВАННЯ ЗАБРУДНЕННЯ РІЧКОВОЇ ВОДИ З ВИКОРИСТАННЯМ МУЛЬТИФРАКТАЛЬНОГО МЕТОДУ

Стаття досліджує застосування мультифрактального аналізу до вибраних часових рядів даних про забруднення води та подальше прогнозування за показником біохімічного споживання кисню (БСК) на основі фрактальної моделі ARFIMA. Для оцінки параметра фрактальної диференціації в моделі ARFIMA використано мультифрактальний алгоритм MFDFA. Отримані результати порівнюються з аналогічними, отриманими за допомогою авторегресійної моделі ARIMA та базової фрактальної моделі ARFIMA.

МОДЕЛІ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ ARIMA ТА LSTM В ЕКОНОМІЦІ ТА ФІНАНСАХ

Прогнозування часових рядів є важливим завданням у економіці, бізнесі та фінансах. Традиційно для прогнозування використовуються такі методи, як авторегресія (AR), рухоме середнє (MA), експоненціальне згладжування (SES) і, найпоширеніше, авторегресійна інтегрована модель ковзного середнього (ARIMA). Модель ARIMA продемонструвала високу точність у прогнозуванні майбутніх значень часових рядів. Завдяки розвитку обчислювальних потужностей та алгоритмів глибокого навчання з’явилися нові підходи до прогнозування.

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

Досліджено використання моделей машинного навчання для прогнозування електроспоживання інтелектуальної мережі. З’ясовано, що попереднє оброблення даних збільшує продуктивність моделі прогнозування споживання енергії, а методи машинного навчання підвищують її точність завдяки інтеграції кількох алгоритмів та оптимізації гіперпараметрів. Виявлено, що ансамблева модель, яка поєднує низку моделей із різними структурними характеристиками, забезпечує вищу точність прогнозування, ніж кожна модель зокрема. Запропоновано вибір базових моделей із різною будовою: лінійні, рекурсивні, деревоподібні.

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.