EN

GenTimeSeriesPredictor demonstrates how to build a causal convolutional neural network (CNN) model for time series forecasting using TensorFlow/Keras and scikit-learn.

He uses a causal convolutional neural network (CNN) to perform time series forecasting. The model is trained on a dataset of time series data and predicts future values based on historical trends.

Installation:

Before running the project, make sure to have the following Python packages installed:

pip install numpy tensorflow scikit-learn matplotlib

Usage

To use this model:

1. Clone the repository:

   git clone github.com/geniuszly/GenTimeSeriesPredictor

2. Run the script:

   python GenTimeSeriesPredictor.py

Model Description

The model is based on a causal convolutional neural network (CNN), which is effective for time series prediction by ensuring that predictions for a given time step depend only on the previous time steps.

Model Parameters:

• start: Starting index for data input.
• count: Number of data points to be used for training.
• forecast_length: Number of points to be predicted.
• look_back: Number of previous time points used for forecasting.
• filters_1 & filters_2: Number of filters in the first and second convolutional layers.
• kernel_size_1 & kernel_size_2: Size of the convolutional kernels in the layers.
• epochs: Number of training epochs.
• batch_size: Size of each mini-batch during training.

Results

The model predicts the future values of the time series based on past data. Below is an example of the output plot, where:

• Original Series: Shows the actual historical data.
• Real Values: The actual values to be predicted.
• Forecast: The model's prediction of future values.

Future Work

• Hyperparameter Tuning: Experimenting with different model architectures.
• Model Evaluation: Using metrics such as MAE or RMSE for more accurate performance assessment.
• Data Augmentation: Applying different transformations to the dataset to enhance model robustness.

RU

GenTimeSeriesPredictor демонстрирует создание модели причинно-следственной сверточной нейронной сети (CNN) для прогнозирования временных рядов с использованием TensorFlow/Keras и scikit-learn.\

Он использует модель причинно-следственной сверточной нейронной сети (CNN) для прогнозирования временных рядов. Модель обучается на наборе данных временного ряда и прогнозирует будущие значения на основе исторических трендов.

Установка

Перед запуском проекта убедитесь, что установлены следующие Python-библиотеки:

pip install numpy tensorflow scikit-learn matplotlib

Использование

Чтобы использовать эту модель:

1. Склонируйте репозиторий:

   git clone github.com/geniuszly/GenTimeSeriesPredictor

2. Запустите скрипт:

   python GenTimeSeriesPredictor.py

Описание модели

Модель основана на причинно-следственной сверточной нейронной сети (CNN), которая эффективно выполняет прогнозирование временных рядов, гарантируя, что прогнозы для заданного временного шага зависят только от предыдущих временных шагов.

Параметры модели:

• start: Начальный индекс для входных данных.
• count: Количество точек данных для обучения.
• forecast_length: Количество точек, которые нужно спрогнозировать.
• look_back: Количество предыдущих временных точек для прогнозирования.
• filters_1 & filters_2: Количество фильтров в первом и втором слоях свертки.
• kernel_size_1 & kernel_size_2: Размер ядра свертки в слоях.
• epochs: Количество эпох обучения.
• batch_size: Размер мини-пакета.

Результаты

Модель прогнозирует будущие значения временного ряда на основе предыдущих данных. Пример выходного графика:

• Исходный временной ряд: Отображает фактические исторические данные.
• Реальные значения: Действительные значения для прогнозирования.
• Прогноз: Прогноз модели будущих значений.

Планы на будущее

• Тонкая настройка гиперпараметров: Эксперименты с различными архитектурами модели.
• Оценка модели: Использование метрик, таких как MAE или RMSE, для более точной оценки производительности.
• Аугментация данных: Применение различных преобразований к набору данных для повышения устойчивости модели.