Объект исследования: технологический процесс для решения задачи по долговременному предсказанию температуры воздуха. Предмет исследования: методы и алгоритмы автоматического построения прогноза температуры воздуха, поиск закономерностей. Цель работы: исследование эффективности моделей для предсказания температуры воздуха. В процессе исследования проводились: рассмотрение основных подходов построения моделей по краткосрочному и долгосрочному предсказанию температуры воздуха, настройка и реализация моделей для предсказания изменения температуры воздуха. В работе продемонстрирована эффективность подхода использования машинного обучения в построении моделей для предсказания температуры воздуха. Область практического применения: предложенный подход поможет таким сферам, как: сельское хозяйство, энергетика, строительство, транспорт, торговля и др. Снизит затраты на подготовку к сезонным мероприятиям и поможет точнее планировать финансовые потоки. / Object of the study: technological process for solving the problem of long-term air temperature prediction. Subject of the study: methods and algorithms for automatic construction of air temperature forecast, search for patterns. Objective of the work: study of the effectiveness of models for predicting air temperature. The study included: consideration of the main approaches to constructing models for short-term and long-term prediction of air temperature, setting up and implementing models for predicting changes in air temperature. The work demonstrates the effectiveness of the approach to using machine learning in constructing models for predicting air temperature. Area of practical application: the proposed approach will help such areas as: agriculture, energy, construction, transport, trade, etc. It will reduce the costs of preparing for seasonal events and help to more accurately plan financial flows.

В данной магистерской работе мы исследуем возможности построения словаря волн биомедицинских сигналов электрокардиограммы, который в дальнейшем позволит применять методы NLP для обработки временных рядов биомедицинских сигналов. В частности, мы сосредоточимся на анализе структуры пиков и интервалов электрокардиограммы здоровых и больных аритмией и другими заболеваниями людей, средствами языка python и автоматизации этого процесса для извлечения значимой информации из биомедицинских временных рядов ЭКГ. Наша конечная цель – улучшение точности и эффективности обработки и анализа биомедицинских сигналов, что имеет важное значение как для клинической диагностики, так и для научных исследований. Решение этой задачи имеет большое практическое значение для различных областей, таких как медицина, биология и фармакология, где обработка и анализ временных рядов играют важную роль. / In this master's thesis, we are exploring the possibility of constructing a dictionary of waves of biomedical electrocardiogram signals, which in the future will allow the use of NLP methods for processing time series of biomedical signals. In particular, we will focus on analyzing the structure of peaks and intervals of the electrocardiogram of healthy people and patients with arrhythmia and other diseases, using the Python language and automating this process to extract meaningful information from biomedical ECG time series. Our ultimate goal is to improve the accuracy and efficiency of biomedical signal processing and analysis, which is important for both clinical diagnostics and scientific research. The solution to this problem is of great practical importance for various fields, such as medicine, biology and pharmacology, where processing and analysis of time series play an important role.

Comparison of hidden spaces of an auto-encoder and a variational auto-encoder in the problem of detecting anomalies in multidimensional time series. / Сравнение скрытых пространств автокодировщика и вариационного автокодировщика в задаче обнаружения аномалий в многомерных временных рядах.

Объект исследования – стандартные задачи прогнозирования одномерного и многомерного временного ряда. Цель работы – исследование возможностей современных базисных моделей в задаче точечного прогнозирования одномерного и многомерного временного ряда на эталонных наборах данных. Результаты работы: проведены независимые исследования возможностей базисных моделей в задаче прогнозирования одномерного и многомерного временного ряда. Предложены два новых набора данных, сформированные из публичного пакета данных и возможное разделение базисных моделей на категории. Выявлены проблемы при исследовании базисных моделей. Даны рекомендации для проведения новых исследований. / Research object - standard forecasting tasks of univariate and multivariate time series. The aim of the study is to investigate the capabilities of modern foundation models in the task of point forecasting of univariate and multivariate time series on benchmark datasets. Results of the study: independent investigations of the capabilities of foundation models in forecasting univariate and multivariate time series have been conducted. Two new datasets have been proposed, formed from a public dataset package, and a possible categorization of foundation models has been introduced. Issues encountered during the investigation of foundation models have been identified. Recommendations for conducting new research have been provided.

В данной выпускной квалификационной работе исследованы и применены модели глубокого машинного обучения для анализа и прогнозирования краткосрочных ценовых движений на финансовых рынках. Основной целью работы является изучение эффективности использования глубоких нейронных сетей, таких как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), для прогнозирования ценовых движений. Исследование основано на данных, полученных с API Tinkoff, включающих 7 269 изображений временных рядов и файлов CSV, разделенных на три класса: buy, sell и neutral. В работе были рассмотрены три модели: CNN с механизмом внимания, CNN с двумя путями и RNN с использованием GRU. Новизна исследования заключается в использовании моделей, обрабатывающих временные ряды как изображения, что является новаторским подходом и открывает новые перспективы для повышения точности и скорости прогнозов. Результаты показали, что модели глубокого машинного обучения могут эффективно анализировать и прогнозировать краткосрочные ценовые движения. Модель RNN с использованием GRU продемонстрировала наилучшую точность (94.67%) и низкие потери (0.13). Модель CNN с двумя путями также показала хорошие результаты с точностью 82.67% и потерями 0.72. Модель CNN с механизмом внимания, несмотря на более умеренные результаты, обладает потенциалом для дальнейшего улучшения благодаря способности фокусироваться на наиболее значимых частях данных. Применение глубоких нейронных сетей может значительно улучшить точность и оперативность торговых стратегий. Разработанные модели могут быть использованы трейдерами и финансовыми аналитиками для повышения эффективности принятия решений на высоковолатильных рынках. / This master's thesis investigates and applies deep machine learning models for analyzing and predicting short-term price movements in financial markets. The main goal of the work is to study the effectiveness of using deep neural networks, such as convolutional neural networks (CNN) and recurrent neural networks (RNN), for predicting price movements. The study is based on data obtained from the Tinkoff API, including 7,269 time series images and CSV files divided into three classes: buy, sell, and neutral. The work considered three models: CNN with attention mechanism, CNN with dual paths, and RNN with GRU. The novelty of the research lies in the use of models that process time series as images, which is an innovative approach and opens new prospects for improving the accuracy and speed of forecasts. The results showed that deep machine learning models can effectively analyze and predict short-term price movements. The RNN model with GRU demonstrated the highest accuracy (94.67%) and low losses (0.13). The CNN model with dual paths also showed good results with an accuracy of 82.67% and losses of 0.72. The CNN model with attention mechanism, despite more moderate results, has the potential for further improvement due to its ability to focus on the most significant parts of the data. The application of deep neural networks can significantly improve the accuracy and timeliness of trading strategies. The developed models can be used by traders and financial analysts to enhance decision-making efficiency in highly volatile markets.

В работе решается актуальная бизнес-задача проектирования алгоритма прогнозирования сырья для производственного косметического предприятия на базе машинного обучения, модель экстремального градиентного бустинга (XGBoost), продемонстрировавшая высокую точность и стабильность прогнозов. Собраны наборы данных, проведен анализ и исследованы методы прогнозирования спроса и сырья, включая модели прогнозирования ARIMA, SARIMA, Хольта-Винтерса, Prophet и различные модели машинного обучения. Использовались метрики: MAE, MSE и MAPE, R2. Статистические модели и модели на основе нейронных сетей, такие как LSTM, показали менее стабильные результаты, чем машинное обучение. Разработан комплексный алгоритм прогнозирования сырья, включающий этапы прогнозирования спроса и расчета потребности в сырье. Прототип алгоритма реализован с использованием Streamlit. Предложены рекомендации по внедрению алгоритма, включая интеграцию с существующими системами и расчет экономической эффективности. / The work solves the current business problem of designing a raw material forecasting algorithm for a cosmetics manufacturing enterprise based on machine learning, the extreme gradient boosting model (XGBoost), which has demonstrated high accuracy and stability of forecasts. Collected data sets, analyzed and researched demand and raw material forecasting methods including ARIMA, SARIMA, Holt-Winters, Prophet and various machine learning models. Metrics used: MAE, MSE and MAPE, R2. Statistical and neural network models such as LSTM have shown less consistent results than machine learning. A comprehensive algorithm for forecasting raw materials has been developed, including the stages of forecasting demand and calculating the need for raw materials. The algorithm prototype is implemented using Streamlit. Recommendations are offered for the implementation of the algorithm, including integration with existing systems and calculation of economic efficiency.