Leveraging Machine Learning for Time Series Predictive Analysis

Bc. Samuel Ambros

Diplomová práce

Anotace:

Táto diplomová práca hodnotí efektívnosť jedenástich rôznych modelov prognózovania na viacerých súboroch údajov s rôznymi charakteristikami. Analyzované modely zahŕňajú lineárnu regresiu, ARIMA, SARIMAX, Prophet, ETS, DLT, KTR, LSTM, grafové neurónové siete, Transformer a automatizované modely strojového učenia pomocou AutoTS. Zistenia naznačujú, že žiadny model nie je jednotne lepší vo všetkých skúmaných dátach, čo zdôrazňuje dôležitosť výberu modelu na základe konkrétnych charakteristík dát. Tento výskum prispieva k oblasti dátovej vedy poskytovaním poznatkov o silných a slabých stránkach rôznych modelov predpovedania a potreby prispôsobenia výberu modelu.

Abstract:

This thesis evaluates the effectiveness of eleven different forecasting models on multiple datasets with diverse characteristics. The models analyzed include linear regression, ARIMA, SARIMAX, Prophet, ETS, DLT, KTR, LSTM, Graph Neural Networks, Transformer models, and automated machine learning models using AutoTS. The findings suggest that no single model uniformly outperforms others across all datasets, highlighting the importance of model selection based on specific dataset characteristics. This research contributes to the field of data science by providing insights into the strengths and limitations of various forecasting models and demonstrating the necessity of tailored model selection.

Keywords

Time series forecasting, Machine learning, Python, ARIMA, SARIMAX, Prophet, ETS, DLT, KTR, LSTM, GNN, Transformer, AutoTS

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 21. 5. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 20. 6. 2024
• Vedoucí: doc. Ing. RNDr. Barbora Bühnová, Ph.D.
• Oponent: doc. Ing. Radim Burget, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Softwarové inženýrství / Nasazení a provoz softwarových systémů