Загрузка...
НЕЙРОНДЫҚ ЖЕЛІЛЕРГЕ НЕГІЗДЕЛГЕН ИНТЕЛЛЕКТУАЛДЫ ДЕРЕКТЕРДІ ТАЛДАУ
Автор(ы)
Дата публикации
1 августа 2025 г.
Тип
journal article
Издатель
Mukhametzhan Tynyshbayev ALT University
Журнал
Том
139
Выпуск
4
Первая страница
248
Последняя страница
261
ISSN
1609-1817
Аннотация
Бұл мақалада уақыттық қатарлардағы (жылдық, айлық, тәуліктік, сағаттық, секундтық немесе жоғары жиілікті tick-деректер) өзгерістерді сипаттайтын мәндерді тегістеу мәселесі талданады. Бұрыннан қолданылып келе жатқанДәстүрлі тәжірибеде деректердегі қайталанатын құрылымдарды визуалды түрде айқындау үшін тарихи жылжымалы орташа мәндер жиі пайдаланылады. Алайда қарапайым жылжымалы орташа мәннің түрлі уақыт терезелерінде әртүрлі нәтижелер беруі тегістеу барысында бірмәнді шешім қабылдауды қиындатады. Осыған байланысты жұмыста тегістеудің балама тәсілі ретінде нейрондық желілерді қолдану қарастырылып, олардың мүмкіндіктері мен артықшылықтары сараланады. Зерттеу аясында нақты деректерді өңдеу барысында бірнеше тегістеу әдістері салыстырылды: қарапайым жылжымалы орташа (SMA), экспоненциалды жылжымалы орташа (EMA), сплайндық интерполяция және нейрондық желілер негізіндегі тегістеу. Әр әдіс арқылы тегістелген деректерді алу алгоритмдері әзірленіп, олар нақты деректердің визуалды интерпретациясын жақсартуға бағытталды. Шынайы деректер көбіне айқын емес, күрделі графиктер түзетіндіктен, визуалды талдау үшін тегістелген қатарларды қолдану трендтерді анықтауда, ауытқуларды бағалауда, маусымдық және циклдік үлгілерді зерттеуде және аналитикалық процестерді автоматтандыруда тиімді екені көрсетілді. Алынған нәтижелерге сәйкес, нақты деректер мен тегістелген қатарлардың графиктері бір-біріне толық сәйкес келмейді, сондай-ақ әр әдіс өз ерекшелігіне қарай түрлі формадағы тегістеу нәтижесін береді. Зерттеу барысында нейрондық желілер арқылы алынған тегістеу графигі нақты деректердің жалпы құрылымын басқа әдістермен салыстырғанда неғұрлым дәл бере алатыны байқалды. Сонымен қатар EMA әдісінің SMA-ға қарағанда қысқа мерзімді өзгерістерге жедел жауап беретіндігі анықталды, ал сплайндар мен нейрондық желілер деректердің икемді әрі күрделі трендтерін интерпретациялауда басымдыққа ие екені дәлелденді. Мақалада ұсынылған тәсілдер деректердегі қайталанатын ерекшеліктерді анықтау мәселесін компьютерлік модельдеу арқылы шешуге мүмкіндік беретіні көрсетілді.
Области науки (FoS)