Інноваційний підхід у прогнозуванні часових рядів: від традиційних методів до новаторської моделі TimesFM

dc.contributor.authorПерцев, Ю. О.uk_UA
dc.contributor.authorКоротка, Лариса Іванівнаuk_UA
dc.date.accessioned2025-03-11T09:28:08Z
dc.date.available2025-03-11T09:28:08Z
dc.date.issued2024
dc.description.abstractUKR: 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.abstractENG: 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.sponsorshipДВНЗ «Український державний хіміко-технологічний університет», Дніпроuk_UA
dc.identifier.citationПерцев 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.doihttps://doi.org/10.34185/1991-7848.itmm.2024.01.084en
dc.identifier.issn2708-0102 (Online)
dc.identifier.urihttps://journals.nmetau.edu.ua/index.php/itmm/article/view/1817en
dc.identifier.urihttps://crust.ust.edu.ua/handle/123456789/19761en
dc.language.isouk
dc.publisherУкраїнський державний університет науки і технологій, ІВК «Системні технології», Дніпроuk_UA
dc.subjectпрогнозування часових рядівuk_UA
dc.subjectARIMAen
dc.subjectLSTMen
dc.subjectTimesFMen
dc.subjecttime series forecastingen
dc.subject.classificationTECHNOLOGY::Information technologyen
dc.titleІнноваційний підхід у прогнозуванні часових рядів: від традиційних методів до новаторської моделі TimesFMuk_UA
dc.title.alternativeInnovative Approach to Time Series Forecasting: From Traditional Methods to the Cutting-Edge Model TimesFMen
dc.typeThesisen
Files
Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
Pertsev.pdf
Size:
328.43 KB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
159 B
Format:
Item-specific license agreed upon to submission
Description: