Статья
DOI:
Полный текст:
В работе представлены результаты применения методов машинного обучения в задаче прогнозирования экономического временного ряда. На основе компьютерного моделирования разработана программная реализация LSTM-нейронной сети для товарной позиции из номенклатурного ряда за пятилетний период. Итоги исследования использованы при разработке корпоративной информационно-аналитической системы (ИАС).
Афанасьев В. Н. Анализ временных рядов и прогнозирование. Саратов: Ай Пи Ар Медиа, 2020. 286 с.
Казаков Ф. А., Шнайдер А. В. Использование нейронных сетей с временными рядами данных для анализа потоков данных // Современные наукоемкие технологии. 2021. № 6-2.C. 260–264.
Картузов А. В., Картузова Т. В., Храмцов С. В. Программная модель нейронной сети LSTM для прогнозирования временных рядов // Научно-технический вестник Поволжья. 2021. № 12. C. 159–162.
Китова О. В. и др. Савинова Применение нейронных сетей для прогнозирования социально-экономических временных рядов // Russian Economic Bulletin. 2020. Т. 3. № 5. C. 188–201.
Лабусов М. В. Нейронные сети долгой краткосрочной памяти и их использование для моделирования финансовых временных рядов // Инновации и инвестиции. 2020. № 3. С. 167–171.
Прокофьев О. В., Савочкин А. Е. Методы и модели прогнозирования временных рядов // Современные информационные технологии. 2018. № 28. С. 40–43.
Пучков Е. В., Белявский Г. И. Применение локальных трендов для прогнозирования временных рядов с помощью долго-краткосрочной памяти // Вестник Ростовского государственного университета путей сообщения. 2018. № 3 (71). C. 94–103.
Казаков Ф. А., Шнайдер А. В. Использование нейронных сетей с временными рядами данных для анализа потоков данных // Современные наукоемкие технологии. 2021. № 6-2.C. 260–264.
Картузов А. В., Картузова Т. В., Храмцов С. В. Программная модель нейронной сети LSTM для прогнозирования временных рядов // Научно-технический вестник Поволжья. 2021. № 12. C. 159–162.
Китова О. В. и др. Савинова Применение нейронных сетей для прогнозирования социально-экономических временных рядов // Russian Economic Bulletin. 2020. Т. 3. № 5. C. 188–201.
Лабусов М. В. Нейронные сети долгой краткосрочной памяти и их использование для моделирования финансовых временных рядов // Инновации и инвестиции. 2020. № 3. С. 167–171.
Прокофьев О. В., Савочкин А. Е. Методы и модели прогнозирования временных рядов // Современные информационные технологии. 2018. № 28. С. 40–43.
Пучков Е. В., Белявский Г. И. Применение локальных трендов для прогнозирования временных рядов с помощью долго-краткосрочной памяти // Вестник Ростовского государственного университета путей сообщения. 2018. № 3 (71). C. 94–103.
Ключевые слова:
машинное обучение, временной ряд, LSTM-нейронная сеть
Для цитирования:
Рапаков Г. Г., Горбунов В. А., Дианов С. В., Елизарова Л. В. Исследование
LSTM-нейросетевого подхода при моделировании временных рядов // Вестник Череповецкого государственного университета. 2023. № 3 (114). С. 47–54. https://doi.org/10.23859/1994-0637-
2023-3-114-4.
Контент доступен под лицензией Creative Commons Attribution 4.0 License.