Rekurentinių neuroninių tinklų architektūros pritaikymo prognozavimo uždaviniams spręsti tyrimai

Abstract

Darbo tikslas yra ištirti rekurentinių neuroninių tinklų architektūros pritaikymą prognozavimo uždaviniam spręsti. Darbo tikslas pasiektas atlikus prognozavimo metodų analitinę apžvalgą, ištyrus prognozuoti tinkamų požymių skaičiavimo metodus, sudarius atitinkamus duomenų rinkinius su pasirinktais požymiais, eksperimentiškai ištyrus požymių skaičiavimo metodus naudojant klasikinius klasifikavimo algoritmus, ištyrus pasirinktų LSTM ir GRU prognozavimo metodų veikimą sudarytam duomenų rinkiniui, atlikus eksperimentus su skirtingais pasirinktų prognozavimo modelių parametrais ir palyginus gautus rezultatus. Geriausi rezultatai buvo gauti naudojant LSTM metodą pasiekus 71,49 % tikslumą. Su pasiūlytu požymių rinkiniu 2017–2020 m. perkant „McDonald’s“ akcijas galima buvo gauti 102,98 % grąžą.

The objective of the thesis is to investigate recurrent neural network architecture modifications for forecasting applications. The goal has been achieved by doing an analytical review of forecasting methods, investigating feature calculation methods applicable for forecasting, forming appropriate datasets with selected features, experimentally investigating feature calculation methods by using classic classification algorithms, analyzing the performance of chosen LSTM and GRU forecasting methods on the selected dataset, conducting parameter experiments on the selected models, and comparing the obtained results. The best results were obtained using the LSTM method by reaching 71,49 % accuracy. Using the proposed dataset making trades of “McDonald’s” stock from 2017 to 2020, a profit of 102,98 % could have been made.