Інтелектуальна система прогнозування вартості комерційних компаній на основі методів машинного навчання

Abstract

Актуальність даного дослідження полягає у необхідності підвищення якості прогнозування, відборі кращих моделей для відповідних наборів даних. Це дозволить зменшити збитки, що несуть компанії у результаті коливання вартості за рахунок підготовки заздалегідь. Об’єктом дослідження є процес аналізу та прогнозування даних на основі методів машинного навчання. Предмет дослідження – комбіновані прогнозні моделі на основі ARIMA та GAM. Метою роботи є підвищення якості прогнозування вартості комерційних компаній за рахунок використання модифікованого методу ARIMA, налашто-ваних GAM та їх комбінації. У першому розділі розглядається аналіз наявних робіт на тему прогнозування вартості комерційних компаній методами машинного навчання. У другому розділі розглядаються математичні моделі, методи, інформаційні технології, що використовуються для прогнозування вартості комерційних компаній. У третьому розділі описано проєктування моделей та їх програмна реалізація з подальшим прогнозуваннями та їх результатами. Спеціальна частина представлена двома розділами, що присвячені методичній частині та охороні праці відповідно. Загальний обсяг роботи – 108 сторінок. Магістерська кваліфікаційна робота містить 18 таблиць, 33 рисунки, 1 додаток і посилання на 47 літературних джерел. A relevance of this study lies in the need to improve the quality of forecasting, to select the best models for the relevant data sets. This will reduce the losses incurred by the company as a result of price fluctuations due to preparation in advance. An object of research is the process of data analysis and forecasting based on machine learning methods. A subject of the research is combined predictive models based on ARIMA and GAM. A purpose of the work is to improve the quality of forecasting the value of commercial companies due to the use of the modified ARIMA method, adjusted GAMs and their combination. The first section deals with the analysis of existing works on the topic of forecasting the value of commercial companies using machine learning methods. The second chapter examines mathematical models, methods, and information technologies used to forecast the value of commercial companies. The third section describes the design of the models and their software implementation with further predictions and their results. The special part is represented by two sections devoted to the methodical part and labor protection, respectively. The overall scope of the work is 108 pages. Thesis contains 18 tables, 33 figures, 1 appendix, 47 sources.