НЕЙРОНДЫҚ ЖЕЛІЛЕРГЕ НЕГІЗДЕЛГЕН ИНТЕЛЛЕКТУАЛДЫ ДЕРЕКТЕРДІ ТАЛДАУ

2025

Толық мәтін Ашық қол жеткізу: Hybrid Метадеректер (CSL-JSON)
DOI 10.52167/1609-1817-2025-139-4-248-261
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

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.