Srovnání statistických metod a hlubokého učení pro předpovídání časových řad

• Název práce v češtině: Srovnání statistických metod a hlubokého učení pro předpovídání časových řad
• Název v anglickém jazyce: Comparing Statistical Methods and Deep Learning for Time Series Prediction
• Akademický rok vypsání: 2018/2019
• Typ práce: bakalářská práce
• Jazyk práce: čeština
• Ústav: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Vedoucí / školitel: Mgr. Martin Pilát, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 11.03.2019
• Datum zadání: 11.03.2019
• Datum potvrzení stud. oddělením: 27.03.2019

Zásady pro vypracování

Hluboké (rekurentní) neuronové sítě v posledních letech překonávají tradiční statistické metody při předpovídání obecných časových řad. U některých (speciálně finančních) řad ovšem lepší metoda není zřejmá, zejména obohatíme-li model o externí faktory specifické pro tuto doménu (jako jsou například kurzy souvisejících instrumentů, nebo makro-ekonomické ukazatele). Cílem práce je srovnat oba přístupy pro takto specializovanou predikci.

Student nastuduje jak tradiční techniky pro předpovídání časových řad, tak moderní techniky založené na hlubokých neuronových sítích. Nastudované techniky aplikuje na problém zmíněný výše a jejich výsledky porovná.

Seznam odborné literatury

[1] Box, G. E.; Jenkins, G. M.; Reinsel, G. C.; and Ljung, G. M. 2015. "Time series analysis: forecasting and control". John Wiley & Sons. ISBN: 978-1-118-67502-1
[2] Guokun Lai, Wei-Cheng Chang, Yiming Yang: “Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks”, 2017; [http://arxiv.org/abs/1703.07015 arXiv:1703.07015].
[3] Yen-Yu Chang, Fan-Yun Sun, Yueh-Hua Wu: “A Memory-Network Based Solution for Multivariate Time-Series Forecasting”, 2018; [http://arxiv.org/abs/1809.02105 arXiv:1809.02105].
[4] Sepp Hochreiter and Jürgen Schmidhuber. "Long short-term memory". Neural computation, 9(8): 1735–1780,1997
[5] Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. "Deep learning". MIT press, 2016. ISBN: 978-0262035613