Библиографическое описание:НЕЙРОСЕТЕВЫЕ МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ : доклад, тезисы доклада / М. Б. Хамраев. - [Б. м. : б. и.], 2025. - Текст : непосредственный // Актуальные проблемы авиации и космонавтики : Сборник материалов XI Международной научно-практической конференции, посвященной Дню космонавтики и 10-летию науки и технологий. В 3-х томах. - Красноярск, 2025. - С. 134-136.
Аннотация:В статье рассматриваются современные подходы к применению нейросетевых моделей для прогнозирования временных рядов. Основное внимание уделено проблемам нестационарности данных, шума и долгосрочных зависимостей. Объектом исследования являются архитектуры глубокого обучения: рекуррентные нейронные сети (RNN), сети с долгой краткосрочной памятью (LSTM) и трансформеры. Приведен обзор текущего уровня исследований, включая новейшие разработки. Новизна заключается в систематизации методов и анализе их эффективности в задачах прогнозирования.
The article explores modern approaches to applying neural network models for time series forecasting. It focuses on challenges such as data non-stationarity, noise, and long-term dependencies. The research object includes deep learning architectures: recurrent neural networks (RNN), long short-term memory networks (LSTM), and transformers. The paper reviews the current state of research, including recent advancements. The novelty lies in the systematization of methods and the analysis of their effectiveness in forecasting tasks. The findings are applicable to finance, meteorology, and energy sectors.
