Predikcia časových rad

Abstract

Tato bakalářská práce se zabývá problematikou předpovědi časových řad, která je v současnosti velmi aktuální a důležitá v mnoha oblastech jako například v ekonomii, meteorologii nebo v průmyslu. Cílem této práce bylo popsat a porovnat několik různých modelů na předpověď časových řad, které se liší svou strukturou a použitými metodami. V práci byly použity dva tradiční statistické modely, a to model ARIMA a jeho variace a model Prophet. Kromě tradičních statistických modelů se práce zaměřuje i na použití modelů strojového učení, které se v posledních letech staly velmi populárními a efektivními. Konkrétně se jedná o model Support Vector Regression (SVR) a neuronové sítě LSTM (Long Short-Term Memory) a GRU (Gated Recurrent Unit). Po implementaci byly výsledky predikcí jednotlivých metod porovnány a zhodnoceny z hlediska jejich přesnosti a efektivnosti. Celkově tato práce přináší ucelený přehled o různých modelech na předpověď časových řad a jejich použití v praxi. Získané poznatky mohou být využity při řešení konkrétních problémů v oblasti předpovědi časových řad v různých aplikacích.

This bachelor thesis deals with the issue of time series prediction, which is currently very relevant and important in many areas such as economics, meteorology, or industry. The aim of this work was to describe and compare several different models for time series prediction, which differ in their structure and used methods. Two traditional statistical models, ARIMA and its variations, and the Prophet model were used in this work. In addition to traditional statistical models, the work also focuses on the use of machine learning models, which have become very popular and effective in recent years. Specifically, the Support Vector Regression (SVR) model and LSTM (Long Short-Term Memory) and GRU (Gated Recurrent Unit) neural networks were used. After implementation, the results of predictions of each method were compared and evaluated in terms of their accuracy and efficiency. Overall, this work provides a comprehensive overview of different models for time series prediction and their practical use.