Idősor elemzés tanuló rendszerekkel

OData támogatás
Konzulens:
Dr. Horváth Gábor
Méréstechnika és Információs Rendszerek Tanszék

Idősorokkal az élet bármely területén találkozhatunk, így ezek vizsgálata, modellezése széles körben megjelenő igény. Az időjárás előrejelzésétől az árfolyamok mozgásának előrejelzéséig számos felhasználási területe létezik. Célja elsősorban a múltbéli megfigyelések alapján következtetni az idősor jövőbeli alakulására.

Az idősorok vizsgálatára, modellezésére számos módszert kidolgoztak. A rengeteg eredmény ellenére a mai napig fontos kutatási terület maradt, mert a kifejlesztett módszerekkel kapcsolatban megválaszolatlan kérdések lépnek fel. Az első ilyen kérdés például, hogy milyen feladathoz milyen módszert használjunk, ugyanis egzakt matematikai módszer nemigen létezik a megfelelő, optimális módszer meghatározására. A felvetett problémák miatt a különböző idősor előrejelzésre szolgáló modellek összehasonlítása ma is aktuális téma.

A szakdolgozat célja egyes, idősor előrejelzésre szolgáló, lineáris és nemlineáris modellek bemutatásra. A lineáris modellek közül az MA (mozgó átlag), AR (autóregresszív), ARMA (autóregresszív mozgó átlag) és végül az ARIMA (autóregresszív integrált mozgó átlag) modellek szerepelnek. A nemlineáris modellekkel kapcsolatban a dinamikus neurális hálók kerülnek bemutatásra, mint egy lehetséges megvalósítása a nemlineáris tanuló rendszereknek. A dinamikus neurális hálókon belül külön kiemelve megjelenik az Echo State Network architektúra, ami egy újnak mondható felhasználási módja a visszacsatolt neurális hálóknak.

Az egyes modellek kipróbálásával igyekszem, a tapasztalataim alapján, összehasonlítani a modelleket modellező képesség, tervezéskor felmerülő kérdések, problémák alapján.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.