Time Series Analysis

Bohumil Kolář

Master's thesis

Abstract:

Tato diplomová práce se zaměřuje na předpovídání časových řad, což je oblast široce studovaná v oboru datové vědy a statistiky. Cílem této práce je získat vhled do těchto metod, testovat je na datech, porovnat je a poskytnout vizualizace. První kapitola definuje několik statistických nástrojů, technik zpracování dat, evaluačních metrik a podobně, což poskytuje hlubší pochopení metod z matematického hlediska. Následující kapitoly se zaměřují na popis předpovědi časových řad z pohledu statistiky a strojového učení včetně perspektivy neuronových sítí. Můj hlavní důraz je kladen na vizualizaci každé metody a popis fundamentálních principů, díky nimž jsou jednotlivé metody funkční. ato práce se také snaží poukázat na několik problémů, které se mohou vyskytnout během procesu předpovídání, popisuje jejich příčiny a možná řešení. Všechny tyto informace mají přispět k efektivnímu porozumění pro předpovídání časových řad. V závěrečných kapitolách je prezentováno porovnání každé metody na více typech dat, kde každá metoda může mít určitou výhodu nebo nevýhodu. Práce obsahuje vizuální výsledky pro předpovídání, stejně jako konkrétní hodnoty výsledků z evalučních metrik. Závěr shrnuje hlavní zjištění a přínosy práce.

Abstract:

This master’s thesis is focusing on time series forecasting, a widely studied field in data science and statistics. The aim of this thesis is to gain insight into forecasting methods, test them on data, compare them, and provide visualizations. The first chapter defines multiple statistical tools, data preprocessing techniques, evaluation metrics, and more, providing a deeper understanding of forecasting from a mathematical perspective. The following chapters focus on statistical, machine learning, and neural network approaches for forecasting. My primary focus is on visualizing each method and providing a fundamental description of their principles. This thesis also addresses multiple problems that may arise during the forecasting process, describing their causes and possible solutions. All of this information aims to contribute to an effective understanding of forecasting methods.In the final chapters, a comparison of each method is presented on multiple data types where each method may have some advantage or disadvantage. The thesis includes visual results for forecasting, as well as concrete values resulting from evaluation metrics. The conclusion summarizes the main findings and contributions of the thesis.

Keywords

Předpovídání, Časové řady, Statistika, Strojové učení, Neuronové sítě

Keywords

Forecasting, Time series, Statistics, Machine learning, Neural networks

Language used: English

Date on which the thesis was submitted / produced: 30. 4. 2023

Thesis defence

• Date of defence: 31. 5. 2023
• Supervisor: Jan Platoš
• Reader: Sebastian Basterrech

VSB – Technical University of Ostrava

Fakulta elektrotechniky a informatiky

Master programme:
Průmysl 4.0