Naslov dela: Napovedovanje več točk časovnih vrst z nevronskimi mrežami z dolgim kratkoročnim spominom

Povzetek: Napovedovanje prihodnjih vrednosti časovnih vrst je izvedljivo tako s statističnimi pristopi kot s strojnim učenjem. Slednje po letih raziskav ponuja številne tehnike, protokole in napovedne modele za napovedovanje tako ene kot več prihodnjih vrednosti časovno zbranih podatkov. Pri napovedovanju vrednosti časovnih vrst navadno govorimo o napovedovanju ene točke, saj je napovedovanje več časovnih točk v prihodnost bolj zapleteno. Za večtočkovno napovedovanje se moramo namreč spopasti z višjo akumulacijo napovednih napak. Splošno je sprejeto, da več točk vnaprej kot napovemo, večja bo napovedna napaka bolj oddaljenih točk.
V delu smo iskali optimalne kombinacije tehnik obdelav časovnih vrst in parametrizacije različnih napovednih modelov. Napovedovali smo več točk vnaprej različno pogostih dogodkov iz podatkov spletnega oglaševanja na družabnih omrežjih. Poudarek smo namenili različnim arhitekturam nevronskih mrež z dolgim kratkoročnim spominom (LSTM). Napovedi tehnik, ki uporabljajo nevronske mreže, smo želeli primerjati z napovedmi statističnega in za napovedovanje časovnih vrst priznanega napovednega modela ARIMA ter napovedmi regresijskega modela XGBoost. Slednjega smo uporabili, ker v zadnjem času podaja izredno dobre rezultate na različnih tekmovanjih številnih področij strojnega učenja. Predpostavili smo, da bodo arhitekture LSTM dajale najbolj natančne napovedi.
S poskusi in analizo rezultatov smo ugotovili, da najbolj natančne napovedi vseh pogostosti dogodkov po pričakovanjih vračajo nevronske mreže z dolgim kratkotrajnim spominom. Po natančnosti se jim predvsem pri pogostih dogodkih približajo le napovedi modela XGBoost, napovedi modela ARIMA pa so v povprečju najmanj natančni. Pomembno vlogo pri natančnosti rezultatov ima uporaba obdelav podatkov. Pri vseh velikostih oken sta se dobro obnesli logaritemska preslikava in normalizacija, pri večjih napovednih oknih pa predvsem odstranitev sezonskosti. Ugotovili smo tudi, da z večanjem napovednega okna napovedni modeli pri posameznih skupinah napovedne točnosti ne izgubljajo.

Termin zagovora:11. 12. 2019, ob 14.15 v diplomski sobi

Mentor: doc. dr. Matej Guid

Komisija za oceno in zagovor:

• prof. dr. Branko Šter, predsednik,

• izr. prof. dr. Matjaž Kukar, član,

• doc. dr. Mira Trebar, članica.