Анализ и прогнозирование временных рядов методами искусственного

Анализ и прогнозирование временных рядов методами искусственного интеллекта

Цели и задачи дисциплины

Целью дисциплины является ознакомление обучающихся с основными методами и алгоритмами решения задач интеллектуального анализа временных рядов.

Краткое содержание дисциплины

Введение в дисциплину. Основные понятия: временной ряд, подпоследовательность. Основные задачи интеллектуального анализа временных рядов: поиск аномалий, поиск мотивов, поиск по образцу, восстановление пропусков, прогноз. Поиск аномалий во временных рядах. Понятие диссонанса. Кусочно-агрегатное сжатие (PAA, Piecewise Aggregate Approximation), Символьно-агрегатное кодирование (SAX, Symbolic Aggregate Approximation). Алгоритм HotSAX. Понятие диапазонного диссонанса. Алгоритмы DRAG и MERLIN. Поиск подпоследовательностей по образцу. Формальное определение и обзор подходов к решению задачи. Алгоритм UCR-DTW. Мера динамической трансформации времени (DTW, Dynamic Time Warping). Z-нормализация подпоследовательностей. Техника нижних границ: границы LBKim, LBKeogh, LBKeoghEC, каскадное применение нижних границ. Матричный профиль временного ряда и примитивы анализа данных на его основе. Понятие матричного профиля. Алгоритм SCAMP вычисления матричного профиля. Поиск мотивов. Мера схожести MPdist. Поиск сниппетов (типичных подпоследовательностей). Поиск цепочек (эволюционирующих шаблонов). Восстановление пропусков и прогноз значений временного ряда. Алгоритмы HotDeck, kNN, REBOM, TKCM. Модель ARIMA. Нейросетевые методы прогнозирования временных рядов: сеть с долговременной и кратковременной памятью (Long short term memory, LSTM), сеть с управляемыми рекуррентными блоками (Gated Recurrent Units, GRU).

Компетенции обучающегося, формируемые в результате освоения дисциплины

Выпускник должен обладать:

ПК-2 Способен разрабатывать системы хранения и обработки больших данных, в том числе на основе методов искусственного интеллекта