| DC Field | Value | Language |
|---|
| dc.contributor.author | Шолтанюк, С. В. | - |
| dc.coverage.spatial | Минск | - |
| dc.date.accessioned | 2022-11-01T11:35:54Z | - |
| dc.date.available | 2022-11-01T11:35:54Z | - |
| dc.date.issued | 2019 | - |
| dc.identifier.citation | Шолтанюк, С. В. Сравнительный анализ нейросетевой и регрессионных моделей прогнозирования временных рядов = Comparative Analysis of Neural Networking and Regression Models for Time Series Forecasting / Шолтанюк С. В. // Цифровая трансформация. – 2019. – № 2(7). – С. 60–68. – DOI : https://doi.org/10.38086/2522-9613-2019-2-60-68. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/48823 | - |
| dc.description.abstract | Рассмотрена и исследована возможность применения нейронных сетей при решении задачи прогнозирования временных рядов. Для этого было осуществлено обучение нейронной сети для различных рядов с предварительным подбором оптимального набора гиперпараметров. Проведён сравнительный анализ полученной нейросетевой прогностической модели c линейной регрессией и авторегрессией, построенными методом наименьших квадратов. Выявлены условия, влияющие на точность и устойчивость результатов нейронной сети. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | ГИАЦ | ru_RU |
| dc.subject | цифровая трансформация | ru_RU |
| dc.subject | нейронные сети | ru_RU |
| dc.subject | гиперпараметры | ru_RU |
| dc.subject | линейная регрессия | ru_RU |
| dc.subject | авторегрессия | ru_RU |
| dc.subject | временные ряды | ru_RU |
| dc.title | Сравнительный анализ нейросетевой и регрессионных моделей прогнозирования временных рядов | ru_RU |
| dc.title.alternative | Comparative Analysis of Neural Networking and Regression Models for Time Series Forecasting | ru_RU |
| dc.type | Article | ru_RU |
| local.description.annotation | Applicability of neural nets in time series forecasting has been considered and researched. For this, training of neural network on various time series with preliminary selection of optimal hyperparameters has been performed. Comparative analysis of received neural networking forecasting model with linear regression has been performed. Conditions, affecting on accuracy and stability of results of the neural network, have been revealed. | - |
| Appears in Collections: | №2(7)
|
