Optimization neural network for time series processing

Скорочена інформація про документ
dc.contributor.authorPysarchuk, Oleksii
dc.contributor.authorBaran, Danylo
dc.date.accessioned2026-02-06T11:55:50Z
dc.date.available2026-02-06T11:55:50Z
dc.date.issued2025
dc.description.abstractThe article proposes the architecture of the optimization neural network and the model of test samplesynthesis for the process of extrapolation of time series parameters. In particular, the addition of an inputlayer with the introduction of an optimization scheme of nonlinear trade-offs has been implemented.Extrapolation of the behavior of the time series was carried out according to a test sample, which isformed as a data model with the selection of the trend according to the method of least squares. Thescientific novelty of the results obtained in the article is reflected in the essence of these decisions.The aim of the research is to develop an optimization network architecture and data model forextrapolation, which allows to improve the accuracy and time of predicting the behavior of the time seriesoutside the observation interval. Subject of research: architecture of an artificial neural network andmethods of extrapolation of time series. Object of research: processes of architectural synthesis of anartificial neural network and extrapolation of time series behavior outside the observation interval.The optimization layer provides mini-requirements for the approximation of training and test samples.This is especially appropriate for time series with stochastic noise and allows you to reduce the impactof random errors on time series prediction results. The use of model data for extrapolation allows you todetermine the behavior of the time series outside the observation interval. At the same time, the forecastingtime with acceptable accuracy characteristics increases. These solutions are reflected in the name of theoptimization neural network, which is proposed by the authors. The study of the effectiveness of the proposedsolutions was implemented by methods of simulation modeling on a modified artificial neural network. Theresults of the calculations proved an increase in the adequacy of data models and an increase in the accuracyof extrapolation.
dc.description.abstractotherВ статті запропоновано архітектура оптимізаційної нейронної мережі та модель синтезу тестової вибірки для процесу екстраполяції параметрів часових рядів. Зокрема реалізовано додавання вхідного прошарку з впровадженням оптимізаційної схеми нелінійних компромісів. Екстраполяцію поведінки часового ряду здійснено за тестовою вибіркою, що формується як модель даних з виділенням тренду за методом найменших квадратів. Наукова новизна отриманих в статті результатів відображається суттю зазначених рішень. Мета досліджень полягає в розробці архітектури оптимізаційної мережі та моделі даних для екстраполяції, що дозволяє підвищити точність та час прогнозування поведінки часового ряду поза межами інтервалу спостереження. Дослідження стосується процесів архітектурного синтезу штучної нейронної мережі та екстраполяції поведінки часових рядів за межами інтервалу спостереження. Предметом дослідження є архітектура штучної нейронної мережі та методи екстраполяції часових рядів. Оптимізаційний прошарок забезпечує мінісаксні вимоги до наближення навчальної та тестової вибірок. Це особливо доречно до часових рядів із стохастичним шумом і дозволяє зменшити вплив випадкових похибок на результати прогнозування часового ряду. Використання для екстраполяції модельних даних дозволяє визначити поведінку часового ряду поза межами інтервалу спостереження. При цьому збільшується час прогнозування із прийнятними характеристиками точності. Зазначені рішення відображені в назві оптимізаційної нейронної мережі, яка запропонована авторами. Дослідження ефективності запропонованих рішень реалізовано методами імітаційного моделювання на модифікованій зготрковій штучній нейронній мережі. Результати розрахунків довели підвищення адекватності моделей даних та збільшення точності екстраполяції.
dc.format.pagerangeP. 39-48
dc.identifier.citationPysarchuk, O. Optimization neural network for time series processing / Oleksii Pysarchuk, Danylo Baran // Information, Computing and Intelligent systems. – 2025. – No. 7. – P. 39-48. – Bibliogr.: 10 ref.
dc.identifier.doihttps://doi.org/10.20535/2786-8729.7.2025.341480
dc.identifier.orcid0000-0001-5271-0248
dc.identifier.orcid0009-0007-0361-6870
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78684
dc.language.isoen
dc.publisherNational Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
dc.publisher.placeKyiv
dc.relation.ispartofInformation, Computing and Intelligent systems, No. 7, 2025
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectmathematical model
dc.subjectmulti-criteria optimization
dc.subjecttime series
dc.subjectartificial neural network
dc.subjectматематична модель
dc.subjectбагатокритеріальна оптимізація
dc.subjectчасовий ряд
dc.subjectштучна нейронна мережа
dc.subject.udc004.75 (004.62)
dc.titleOptimization neural network for time series processing
dc.title.alternativeОптимізаційна нейронна мережа для обробки часових рядів
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
39-48.pdf
Розмір:
808.59 KB
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

Information, Computing and Intelligent systems, No. 7