Předvídání v časových řadách

Abstract

Diplomová práce se zabývá krátkodobou predikcí hodinové spotřeby zemního plynu v České republice v podmínkách nestacionárních časových řad se strukturálními změnami. V teoretické části jsou shrnuty základní poznatky o časových řadách, metodách hlubokého učení a foundation modelech pro časové řady. Praktická část je zaměřena na sestavení a předzpracování vlastní vícerozměrné datové sady a na experimentální porovnání vybraných predikčních přístupů. Pozornost je věnována také tomu, jak se do úlohy predikce promítá proměnlivost datového prostředí a strukturální změny po roce 2022.

This thesis addresses short-term forecasting of hourly natural gas consumption in the Czech Republic under non-stationary time-series conditions with structural changes. The theoretical part summarizes the main concepts of time series, deep learning methods, and foundation models for time series. The practical part focuses on the construction and preprocessing of a custom multivariate dataset and on the experimental comparison of selected forecasting approaches. Special attention is also paid to the impact of changing data conditions and structural changes after 2022 on the forecasting task.