dtЦифровая трансформацияDigital Transformation2522-96132524-2822Educational Establishment “Belarusian State University of Informatics and Radioelectronics”10.38086/2522-9613-2019-2-60-68dt-174Research ArticleТЕХНИЧЕСКИЕ НАУКИTECHNICAL SCIENCESСравнительный анализ нейросетевой и регрессионных моделей прогнозирования временных рядовComparative Analysis of Neural Networking and Regression Models for Time Series Forecastinghttps://orcid.org/0000-0003-0266-7135ШолтанюкС. В.SholtanyukS. V.

Ассистент кафедры компьютерных технологий и систем ФПМИ 

пр. Независимости, д. 4, 220030 , г. Минск

 

Assistant of the Department of Computer Applications and Systems, FAMCS

4 Independence Ave., 220030 Minsk, Republic of Belarus

SSholtanyuk@bsu.byБелорусский государственный университетBelarusian State University201905082019026068Copyright © Шолтанюк С.В., 20192019Шолтанюк С.В.Sholtanyuk S.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://dt.bsuir.by/jour/article/view/174

Рассмотрена и исследована возможность применения нейронных сетей при решении задачи прогнозирования временных рядов. Для этого было осуществлено обучение нейронной сети для различных рядов с предварительным подбором оптимального набора гиперпараметров. Проведён сравнительный анализ полученной нейросетевой прогностической модели c линейной регрессией и авторегрессией, построенными методом наименьших квадратов. Выявлены условия, влияющие на точность и устойчивость результатов нейронной сети. 

Applicability of neural nets in time series forecasting has been considered and researched. For this, training of neural network on various time series with preliminary selection of optimal hyperparameters has been performed. Comparative analysis of received neural networking forecasting model with linear regression has been performed. Conditions, affecting on accuracy and stability of results of the neural network, have been revealed.

нейронная сетьобучение нейронной сетигиперпараметрыточность и устойчивость прогнозированияMAEлинейная регрессияавторегрессияметод наименьших квадратовneural networktraining of neural networkhyperparametersforecasting accuracy and stabilityMAElinear regressionautoregressionordinary least squaresReferencesЧучуева, И. А. Модель прогнозирования временных рядов по выборке максимального подобия : дис. … канд. тех. наук : 05.13.18 / И. А. Чучуева ; Московский государственный технический университет им. Н. Э. Баумана. – М., 2012. – 155 л.Chuchueva I. A. Model' prognozirovaniya vremennykh ryadov po vyborke maksimal'nogo pravdopodobiya [The time series forecast model based on maximum likeness set] Candidate of science dissertation. M.: Bauman Moscow State Technical University, 2012. 155 p. (In Russian).Hornik, K. Multilayer feedforward networks are universal approximators / K. Hornik, M. Stinchcombe, H. White // Neural Networks – 1989. – Vol. 2, iss. 5. – Pp. 359–366.Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators, Neural Networks 2 (5) (1989). pp. 359-366.Bengio, Y. Scaling learning algorithms towards AI / Y. Bengio, Y. LeCun // Large-Scale Kernel Machines / L. Bottou [et al.] – Cambridge, MA : MIT Press, 2007. – Pp. 323–362.Bengio Y., LeCun Y. Scaling learning algorithms towards AI. In L. Bottou et al. (Eds.), Large-Scale Kernel Machines. Cambridge, MA, MIT Press, 2007. pp. 323-362.R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL: https://www.R-project.org/. – Date of access: 19.01.2019.R Core Team (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Available at: https://www.R-project.org/ (accessed: 19.01.2019)JJ Allaire and Francois Chollet (2018). keras: R Interface to 'Keras'. R package version 2.2.0. https://CRAN.R-project.org/package=keras. – Date of access: 19.01.2019.JJ Allaire and Francois Chollet (2018). keras: R Interface to 'Keras'. R package version 2.2.0. Available at: https:// CRAN.R-project.org/package=keras. (accessed: 19.01.2019)Duchi, J. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization / J. Duchi, E. Hazan, Y. Singer // Journal of Machine Learning Research – 2011. – Vol. 12 – P. 2121–2159.J. Duchi. E. Hazan. Y. Singer. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization, Journal of Machine Learning Research, 12 (2011). pp. 2121-2159.Ruder, S. An overview of gradient descent optimisation algorithms [Electronic resource] / S. Ruder // arXiv.org e-Print archive – Mode of access: https://arxiv.org/abs/1609.04747. – Date of access: 19.01.2019. – (Preprint / arXiv:1609.04747v2).Ruder S. An overview of gradient descent optimisation algorithms. arXiv preprint arXiv:1609.04747v2. Available at: https://arxiv.org/abs/1609.04747. (accessed: 19.01.2019)

The authors declare that there are no conflicts of interest present.