Predikce časových řad pomocí neuronových sítí
Time Series Prediction Using Neural Networks
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Batistová Daniela
Vedoucí práce
Majerová Dana
Oponent práce
Kubera Petr
Studijní obor
Aplikace softwarového inženýrstvíStudijní program
Aplikace přírodních vědInstituce přidělující hodnost
katedra softwarového inženýrstvíObhájeno
2018-09-05Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Tato bakalářská práce se zabývá predikcí časových řad pomocí neuronových sítí. Cílem je předpovědět „budoucí“ hodnoty teploty v Děčíne a porovnat je se skutečnými naměřenými hodnotami. Pro tuto úlohu jsem použila interaktivní programové prostředí MATLAB a jeho rozšíření Neural network toolbox. Ten využívá Long Short-Term Memory (zkráceně LSTM) neuronové sítě, které jsou schopné si zapamatovat dlouhodobé informace a jejich závislosti. Neuronové sítě byly natrénovány z dat jednotlivých měsíců každého roku. Výstupem funkce jsou skutečná data, predikovaná data, chyba MSE a grafy predikce. This bachelor thesis deals with the prediction of time series using neural networks. The aim is to predict the „future“ temperature values in Decin and to compare them with actual measured values. For this task I used the interactive program environment MATLAB and its extension Neural network toolbox. It uses Long Short-Term Memory (shortened LSTM) neural network that is able to remember long-term information and their dependencies. Neural networks were trained from the dates of each month of each year. The output of the function is actual data, predicted data, MSE and prediction graphs.