Метод прогнозування часового ряду на основі трансформерів та архітектур комп’ютерного зору

Скорочена інформація про документ
dc.contributor.advisorНедашківська, Надія Іванівна
dc.contributor.authorСвирид, Нікіта Олександрович
dc.date.accessioned2026-02-03T09:32:30Z
dc.date.available2026-02-03T09:32:30Z
dc.date.issued2025
dc.description.abstractМетою даної роботи є підвищення якості прогнозування складних нелінійних процесів у соціально-економічних системах за умов високої нестаціонарності, волатильності та наявності прихованих структурних змін. У таких випадках часові ряди характеризуються хаотичною динамікою та режимними переходами, що знижує ефективність класичних методів регресії та актуалізує задачу розробки спеціалізованих гібридних підходів до прогнозування. У роботі наведено огляд сучасних методів глибокого навчання для аналізу часових рядів, зокрема рекурентних нейронних мереж, трансформерних архітектур та методів візуального кодування сигналів. Запропоновано гібридний метод прогнозування, що поєднує підходи комп’ютерного зору та механізми уваги, орієнтований на виявлення прихованої часової структури та нелінійних залежностей. Метод базується на трансформації одновимірного часового сигналу у двовимірні зображення за допомогою алгоритмів Gramian Angular Field (GAF) та Markov Transition Field (MTF), вилученні локальних просторових ознак за допомогою згорткового енкодера (CNN) та моделюванні довгострокових часових залежностей із використанням блоку Трансформера. У роботі представлено результати програмної реалізації запропонованої системи та серії експериментальних досліджень на синтетичних і реальних наборах даних, зокрема фінансових часових рядах. Порівняльний аналіз із базовими моделями показав, що запропонований метод демонструє конкурентні переваги у задачах моделювання нелінійних динамічних систем та ідентифікації ринкових режимів, водночас зберігаючи обмеження у задачах із домінуючою лінійною структурою.
dc.description.abstractotherThe aim of this work is to improve the quality of forecasting complex nonlinear processes in socio-economic systems under conditions of high non-stationarity, volatility, and the presence of hidden structural changes. In such cases, time series are characterized by chaotic dynamics and regime shifts, which significantly reduce the effectiveness of classical regression methods and highlight the need for the development of specialized hybrid forecasting approaches. This study presents a review of modern deep learning methods for time series analysis, including recurrent neural networks, transformer-based architectures, and visual signal encoding techniques. A hybrid forecasting method is proposed that combines computer vision approaches with attention mechanisms and is focused on uncovering hidden temporal structures and nonlinear dependencies. The method is based on transforming a one-dimensional time series into two-dimensional images using Gramian Angular Field (GAF) and Markov Transition Field (MTF) algorithms, extracting local spatial features through a convolutional encoder (CNN), and modeling long-term temporal dependencies using a Transformer block. The paper presents the results of a software implementation of the proposed system and a series of experimental studies conducted on both synthetic and real-world datasets, including financial time series. Comparative analysis with baseline models demonstrates that the proposed method exhibits competitive advantages in modeling nonlinear dynamic systems and identifying market regimes, while maintaining limitations in tasks dominated by predominantly linear structures.
dc.format.extent114 с.
dc.identifier.citationСвирид, Н. О. Метод прогнозування часового ряду на основі трансформерів та архітектур комп’ютерного зору : магістерська дис. : 124 Системний аналіз / Свирид Нікіта Олександрович. – Київ, 2025. – 114 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78600
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування
dc.subjectчасові ряди
dc.subjectглибоке навчання
dc.subjectкомп’ютерний зір
dc.subjectтрансформер
dc.subjectстартап.
dc.subjectCNN
dc.subjectGAF/MTF
dc.subject.udc303.732.4+004.8
dc.titleМетод прогнозування часового ряду на основі трансформерів та архітектур комп’ютерного зору
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Svyryd_magistr.pdf
Розмір:
4.88 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММСА)
Магістерські роботи