Search results for "laikrinda"
showing 4 items of 4 documents
Robustas statistiskās metodes laikrindu analīzē
2019
Bakalaura darbā apskatītas robustas statistiskās metodes, ko piemēro laikrindām, ja datos ir izlēcēji. Aprakstīta robustā statistika, kāpēc tā ir nepieciešama, lūzuma punkts, novērtējumu definēšana. Apskatīti izlēcēju veidi, to ietekmes piemēri un varbūtību modeļi. Salīdzināti robustie un klasiskie novērtējumi dažādiem ARMA modeļiem. Robusta metode piemērota reālu datu piemēram.
Dažādu faktoru ietekme laikrindu prognozēšanā
2020
Bakalaura darba mērķis ir izpētīt, kāda veida faktori visvairāk ietekmē laikrindu datus, kādās komponentēs tie sadalās, un aprakstīt pieeju, kā pilnīgi analizēt laikrindas un prognozēt nākotnes rādītājus, balstoties uz vēsturisko datu uzvedību. Balstoties uz aprakstīto pieeju, tika trenēti un salīdzināti savā starpā prognozēšanas modeļi, izmantojot slīdošā vidējā, eksponenciālas izlīdzināšanas un ARIMA metodes. Laikrindu analīzei un modeļu trenēšanai tika izvēlēti dati par elektrības pārdošanas cenām ASV štatos, kuros pastāv maiņas punkts. Vēsturiskie mēneša dati ir izgūti caur ASV Enerģētikas informācijas pārvaldes API. Datu apstrāde un modeļa trenēšana ir realizētas Python programmēšanas …
Laikrindu modelēšana un prognozēšana ar statistiskiem un dziļās mašīnmācīšanās modeļiem
2022
Šajā maģistra darbā tiek aplūkota datu zinātnes problemātika – laikrindu prognozēšana ar statistiskiem un jaunākiem dziļās mašīnmācīšanās modeļiem. Mērķis ir salīdzināt trīs prognozēšanas modeļu veiktspēju un precizitāti, izmantojot veiktspējas mērījumus. Darbs teorētiskajā daļā 3., 4., un 5. nodaļās ir aprakstīta vispārējo laikrindu datu analīze, datu sagatavošana un galvenie statistisko modeļu ARIMA komponenti. Darba 6. nodaļa iepazīstina ar galvenajiem dziļās mašīnmācīšanās komponentiem un jaunākajām arhitektūrām – DeepAR un Temporal Future Transformer jeb TFT. Darbā praktiskajā daļā 7. un 8. nodaļās tiek izvērtētas statistisko un dziļās mašīnmācīšanās modeļu priekšrocības un trūkumi. Mo…
Lielas dimensijas vektorautoregresīvo modeļu izmantošana prognozēšanai
2016
Vektorautoregresīvā procesa (VAR) modeļi ir parādījuši sevi, kā efektīva metode makroekonomisko laikrindu prognozēšanai. Taču VAR trūkums ir tāds, ka modeļa parametru telpa pieaug kvadrātiski, pievienojot modelim jaunu mainīgo. Tā kā mūsdienās valstu ekonomikas paliek savstarpēji saistītas, paliek aktuālāks jautājums par to, kā modelī iekļaut nemodelējamus ekzogēnos mainīgos. Vektorautoregresīvā procesa modelis ar ekzogēniem mainīgajiem (VAR-X ) ļauj iekļaut nemodelējamus mainīgos, taču tāpat sastopas ar dimensionalitātes problēmu. Lai uzlabotu retāka periodiskuma daudzdimensiju datu prognozēšanu, šajā darbā teorētiski izpētam regularizitētos VAR un VAR-X modeļus, kas izretina parametru tel…