Předvídání v časových řadách

Abstract

Tato diplomová práce se věnuje problematice predikce spotřeby energetických časových řad s využitím architektur hlubokého učení. Hlavním cílem je porovnat úspěšnost architektur LSTM, GRU a jednorozměrné konvoluce při predikci spotřeby dvou odlišných komodit, konkrétně zemního plynu a elektrické energie. Teoretická část definuje specifika časových řad a principy fungování zvolených neuronových sítí. Praktická část realizuje rozsáhlý experiment v režimu dlouhodobé rekurzivní predikce, který testuje různé konfigurace modelů včetně vlivu Batch Normalizace a Dropoutu. Práce analyzuje závislost přesnosti predikce na charakteru veličiny a na vlivu externích meteorologických dat, přičemž zohledňuje jejich územní korelaci s místem spotřeby. Výsledky ukazují, že neexistuje univerzální konfigurace vhodná pro oba typy energetických řad, a identifikují klíčové faktory pro udržení stability modelů v dlouhodobé rekurzi.

This master thesis addresses the problem of forecasting energy consumption time series using deep learning architectures. The primary objective is to compare the performance of LSTM, GRU, and one-dimensional convolution architectures in predicting the consumption of two distinct commodities, namely natural gas and electricity. The theoretical part defines the specifics of time series and the operational principles of the selected neural networks. The practical part implements an extensive experiment in a long-term recursive forecasting mode, testing various model configurations, including the impact of Batch Normalization and Dropout. The thesis analyzes how forecasting accuracy depends on the nature of the predicted variable and the influence of external meteorological data, taking into account their spatial correlation with the consumption area. The results demonstrate that there is no universal configuration suitable for both types of energy series and identify key factors for maintaining model stability in long-term recursion.