Інноваційний підхід у прогнозуванні часових рядів: від традиційних методів до новаторської моделі TimesFM
dc.contributor.author | Перцев, Ю. О. | uk_UA |
dc.contributor.author | Коротка, Лариса Іванівна | uk_UA |
dc.date.accessioned | 2025-03-11T09:28:08Z | |
dc.date.available | 2025-03-11T09:28:08Z | |
dc.date.issued | 2024 | |
dc.description.abstract | UKR: Прогнозування часових рядів є важливим інструментом для компаній у сучасному світі. Воно дозволяє приймати обґрунтовані рішення на основі аналізу історичних даних та передбачень майбутніх тенденцій. У цьому контексті використовуються різні моделі, такі як ARIMA, LSTM, Prophet та XGBoost. Проте їх застосування часто вимагає значного часу для доналаштування. З метою вирішення цієї проблеми Google розробив модель TimesFM, яка забезпечує прогнозування часових рядів без потреби в навчанні. TimesFM показує високу продуктивність та точність на різних типах даних, що робить його потужним інструментом для бізнесу. | uk_UA |
dc.description.abstract | ENG: Forecasting time series is crucial for companies as it enables them to make informed decisions using historical data and future predictions. Various approaches exist for time series forecasting, each tailored to different data characteristics and forecasting tasks. Currently, widely known models include ARIMA, LSTM networks, Prophet, and XGBoost. However, these models often require significant preprocessing time. To address this issue and leverage recent advancements in generative AI, Google introduced TimesFM, a decoder-only model specifically designed for time series forecasting. TimesFM utilizes transformer layers and a multi-layer perceptron block to transform time series fragments into tokens, enabling efficient forecasting with minimal generation steps. Synthetic and real-world data are combined for pretraining to capture fundamental temporal patterns and enhance model generalization. Evaluation demonstrates TimesFM's competitive performance across various benchmark time series datasets compared to traditional statistical methods and DL models. | en |
dc.description.sponsorship | ДВНЗ «Український державний хіміко-технологічний університет», Дніпро | uk_UA |
dc.identifier.citation | Перцев Ю. О., Коротка Л. І. Інноваційний підхід у прогнозуванні часових рядів: від традиційних методів до новаторської моделі TimesFM. Інформаційні технології в металургії та машинобудуванні – ІТММ’2024 : тези доп. Міжнародної наук.-техн. конф. (м. Дніпро, 10–11 квітня 2024 р.). Дніпро, 2024. C. 434–439. DOI: https://doi.org/10.34185/1991-7848.itmm.2024.01.084. | uk_UA |
dc.identifier.doi | https://doi.org/10.34185/1991-7848.itmm.2024.01.084 | en |
dc.identifier.issn | 2708-0102 (Online) | |
dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/itmm/article/view/1817 | en |
dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/19761 | en |
dc.language.iso | uk | |
dc.publisher | Український державний університет науки і технологій, ІВК «Системні технології», Дніпро | uk_UA |
dc.subject | прогнозування часових рядів | uk_UA |
dc.subject | ARIMA | en |
dc.subject | LSTM | en |
dc.subject | TimesFM | en |
dc.subject | time series forecasting | en |
dc.subject.classification | TECHNOLOGY::Information technology | en |
dc.title | Інноваційний підхід у прогнозуванні часових рядів: від традиційних методів до новаторської моделі TimesFM | uk_UA |
dc.title.alternative | Innovative Approach to Time Series Forecasting: From Traditional Methods to the Cutting-Edge Model TimesFM | en |
dc.type | Thesis | en |