Моделі машинного навчання для прогнозування часових рядів економічної природи

Скорочена інформація про документ
dc.contributor.advisorСелін, Юрій Михайлович
dc.contributor.authorПоляк, Юрій Юрійович
dc.date.accessioned2025-07-24T11:39:58Z
dc.date.available2025-07-24T11:39:58Z
dc.date.issued2025
dc.description.abstractДипломна робота: 219 с., 38 рис., 0 табл., 15 джерел, 2 додатки. Тема: Моделі машинного навчання для прогнозування часових рядів економічної природи. У роботі досліджено можливості застосування сучасних методів машинного та глибокого навчання для прогнозування економічних часових рядів, зокрема цін на електроенергію у Швеції. Розглянуто класичні статистичні підходи та новітні алгоритми, такі як XGBoost, LSTM, CNN, їх ефективність порівнюється на реальних даних з біржі Nord Pool. Об’єкт дослідження: часові ряди економічної природи, зокрема ряди цін на електроенергію. Предмет дослідження: моделі машинного та глибокого навчання для прогнозування часових рядів. Мета роботи: розробка програмного забезпечення з використанням моделей машинного навчання для прогнозування економічних часових рядів та формування рекомендацій щодо вибору моделей залежно від типу задачі. Розроблено програмні моделі на мові Python з використанням бібліотек Scikit-learn, TensorFlow, XGBoost тощо. Проведено навчання моделей на реальних даних енергетичного ринку Швеції, реалізовано оцінку точності прогнозів за метриками MAE, RMSE, MAPE. Представлено порівняльний аналіз результатів моделей і обґрунтовано вибір найефективнішої.
dc.description.abstractotherDiploma thesis: 219 pages, 38 figures, 0 tables, 15 references, 2 appendices. Topic: Machine learning models for forecasting economic time series. The thesis explores the application of modern machine learning and deep learning methods for forecasting economic time series, particularly electricity prices in Sweden. Both classical statistical approaches and advanced algorithms such as XGBoost, LSTM, and CNN are examined, with their effectiveness compared using real-world data from the Nord Pool exchange. Object of research: economic time series, specifically electricity price series. Subject of research: machine learning and deep learning models for time series forecasting. Aim of the work: to develop software using machine learning models for forecasting economic time series and to provide recommendations on model selection depending on the task type. Software models were developed in Python using libraries such as Scikit-learn, TensorFlow, and XGBoost. The models were trained on real data from the Swedish energy market, and forecast accuracy was evaluated using metrics such as MAE, RMSE, and MAPE. A comparative analysis of the models’ results is presented, with justification for the selection of the most effective one.
dc.format.extent219 с.
dc.identifier.citationПоляк, Ю. Ю. Моделі машинного навчання для прогнозування часових рядів економічної природи : дипломна робота ... бакалавра : 124 Системний аналіз / Поляк Юрій Юрійович. - Київ, 2025. - 219 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/75223
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпрогнозування
dc.subjectчасові ряди
dc.subjectмашинне навчання
dc.subjectнейронні мережі
dc.subjectекономічні моделі
dc.subjectforecasting
dc.subjecttime series
dc.subjectmachine learning
dc.subjectneural networks
dc.subjecteconomic models
dc.titleМоделі машинного навчання для прогнозування часових рядів економічної природи
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Polyak_bakalavr.pdf
Розмір:
9.23 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

Бакалаврські роботи (ММСА)
Бакалаврські роботи