Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций
Конференция: Актуальные проблемы авиации и космонавтики; Красноярск; Красноярск
Год издания: 2025
Ключевые слова: нейросетевые модели, временные ряды, прогнозирование, глубокое обучение, rnn, lstm, трансформеры, neural network models, time series, forecasting, deep learning, transformers
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 краткосрочПоказать полностьюной 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.
Журнал: Актуальные проблемы авиации и космонавтики
Номера страниц: 134-136
Место издания: Красноярск