НЕЙРОНДЫҚ ЖЕЛІЛЕРГЕ НЕГІЗДЕЛГЕН ИНТЕЛЛЕКТУАЛДЫ ДЕРЕКТЕРДІ ТАЛДАУ

2025

Full text Open access: Hybrid Metadata (CSL-JSON)
DOI 10.52167/1609-1817-2025-139-4-248-261
Data confidence 70 medium
How this score is calculated

It is built from checkable properties of the record itself: whether the article has a DOI, how many independent sources confirmed its data, whether the required fields are filled in, and how recent the latest confirmation is. Disagreement between sources and a missing identifier lower it. A value of 80 or above means the record was published without further checking; 60 to 79 means it is published at reduced confidence, with a manual check advisable. A record verified by an editor by hand is never pushed below 90 by a recalculation. This scores our data about the article, not the article itself.

Abstract

Бұл мақалада уақыттық қатарлардағы (жылдық, айлық, тәуліктік, сағаттық, секундтық немесе жоғары жиілікті tick-деректер) өзгерістерді сипаттайтын мәндерді тегістеу мәселесі талданады. Бұрыннан қолданылып келе жатқанДәстүрлі тәжірибеде деректердегі қайталанатын құрылымдарды визуалды түрде айқындау үшін тарихи жылжымалы орташа мәндер жиі пайдаланылады. Алайда қарапайым жылжымалы орташа мәннің түрлі уақыт терезелерінде әртүрлі нәтижелер беруі тегістеу барысында бірмәнді шешім қабылдауды қиындатады. Осыған байланысты жұмыста тегістеудің балама тәсілі ретінде нейрондық желілерді қолдану қарастырылып, олардың мүмкіндіктері мен артықшылықтары сараланады. Зерттеу аясында нақты деректерді өңдеу барысында бірнеше тегістеу әдістері салыстырылды: қарапайым жылжымалы орташа (SMA), экспоненциалды жылжымалы орташа (EMA), сплайндық интерполяция және нейрондық желілер негізіндегі тегістеу. Әр әдіс арқылы тегістелген деректерді алу алгоритмдері әзірленіп, олар нақты деректердің визуалды интерпретациясын жақсартуға бағытталды. Шынайы деректер көбіне айқын емес, күрделі графиктер түзетіндіктен, визуалды талдау үшін тегістелген қатарларды қолдану трендтерді анықтауда, ауытқуларды бағалауда, маусымдық және циклдік үлгілерді зерттеуде және аналитикалық процестерді автоматтандыруда тиімді екені көрсетілді. Алынған нәтижелерге сәйкес, нақты деректер мен тегістелген қатарлардың графиктері бір-біріне толық сәйкес келмейді, сондай-ақ әр әдіс өз ерекшелігіне қарай түрлі формадағы тегістеу нәтижесін береді. Зерттеу барысында нейрондық желілер арқылы алынған тегістеу графигі нақты деректердің жалпы құрылымын басқа әдістермен салыстырғанда неғұрлым дәл бере алатыны байқалды. Сонымен қатар EMA әдісінің SMA-ға қарағанда қысқа мерзімді өзгерістерге жедел жауап беретіндігі анықталды, ал сплайндар мен нейрондық желілер деректердің икемді әрі күрделі трендтерін интерпретациялауда басымдыққа ие екені дәлелденді. Мақалада ұсынылған тәсілдер деректердегі қайталанатын ерекшеліктерді анықтау мәселесін компьютерлік модельдеу арқылы шешуге мүмкіндік беретіні көрсетілді.