ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ НА ОСНОВЕ NARX-СЕТЕЙ В PYTHON
Аннотация
Цель работы: реализация простейшей схемы прогнозирования временных рядов с помощью искусственных нейронных сетей архитектуры NARX на основе фреймворков языка Python.
Задачи: - изучить понятие временного ряда, задач их анализа и прогнозирования ВР;
- провести обзор инструментов прогнозирования ВР с помощью искусственных нейронных сетей NARX на языке Python;
- подробно изучить схему архитектуры NARX в ее исходном теоретическом описании для ее реализации;
- подобрать исходные данные, которые обладают достаточно хорошо известными характеристиками в плане их прогнозирования;
- изучить алгоритм эмпирической модовой декомпозиции для получения моды, используемой в качестве входа схемы NARX;
- реализовать схему NARX на Python, провести ретроспективный прогноз (эпигноз) и сравнить полученные результаты с результатами из MATLAB.
Результаты работы: в настоящее время для решения задач прогнозирования ВР с помощью искусственных нейронных сетей на архитектуре NARX следует использовать библиотеки пакета MATLAB, а при необходимости их реализации на Python — использовать более низкоуровневые фреймворки работы с нейроными сетями.
Задачи: - изучить понятие временного ряда, задач их анализа и прогнозирования ВР;
- провести обзор инструментов прогнозирования ВР с помощью искусственных нейронных сетей NARX на языке Python;
- подробно изучить схему архитектуры NARX в ее исходном теоретическом описании для ее реализации;
- подобрать исходные данные, которые обладают достаточно хорошо известными характеристиками в плане их прогнозирования;
- изучить алгоритм эмпирической модовой декомпозиции для получения моды, используемой в качестве входа схемы NARX;
- реализовать схему NARX на Python, провести ретроспективный прогноз (эпигноз) и сравнить полученные результаты с результатами из MATLAB.
Результаты работы: в настоящее время для решения задач прогнозирования ВР с помощью искусственных нейронных сетей на архитектуре NARX следует использовать библиотеки пакета MATLAB, а при необходимости их реализации на Python — использовать более низкоуровневые фреймворки работы с нейроными сетями.