Том 1 № 156 (СТ ДМетІ)

Permanent URI for this collectionhttps://crust.ust.edu.ua/handle/123456789/20016

Volume 1 No. 156 (ST DMetI)

Browse

Now showing 1 - 2 of 2

Нейромережева модель детектування та відстеження у транспортному потоці міста
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Островська, Катерина Юріївна; Петросян, Едгар Хачатурович
UKR: В роботі проведено опис предметної галузі, а саме опис методів машинного навчання та нейронної мережі, а також завдання класифікації. Крім вищепереліченого було проведено огляд наукової літератури та аналогів та опис сімейства нейромережевих моделей YOLOv7. Описано архітектуру нейромережевої моделі YOLOV7, її основні частини та їх при-значення. Було описано набір даних для навчання та тестування моделі, описано веб-додаток «RoboFlow», в якому виконувалася розмітка зображень. Також було описано алгоритм Deep SORT для відстеження об'єктів у часі. Реалізовано нейромережну модель для детектування та трекінгу електросамокатів у транспортному потоці. Модель була навчена на зібраному наборі даних. Також було реалізовано веб-додаток для демонстрації роботи нейромережевої моделі. Веб-додаток повністю відповідає функціональним та нефункціональним вимогам. Проведено тестування нейронної мережі, тестування проводилося на різних моделях YOLOV7, найкращий результат показала модель YOLOV7-w6. Також було проведено функціональне тестування веб-програми. Було проведено автоматизоване тестування веб-застосування за допомогою інструменту cypress, веб-додаток було протестовано за допомогою двох видів тестування, компонентного та E2E.
Порівняльний аналіз традиційних статистичних методів та нейромережевої моделі LSTM
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Перцев, Юрій Олексійович; Коротка, Лариса Іванівна
UKR: У статті здійснено порівняльний аналіз традиційних статистичних методів (ARIMA, SARIMA) та сучасного підходу на основі глибокого навчання (LSTM) для прогнозування часових рядів на фінансових ринках. Аналіз зосереджено на дослідженні ефективності кожної моделі у прогнозуванні ціни закриття акцій компанії Apple (NASDAQ: AAPL). Вибір моделей обумовлений їх широким застосуванням у фінансовому аналізі: ARIMA добре підходить для стаціонарних часових рядів, SARIMA дозволяє враховувати сезонні коливання, а LSTM здатна розпізнавати нелінійні залежності та довготривалі тренди. Для дослідження використано історичні дані про ціну закриття акцій AAPL за період із 01.01.2023 по 20.01.2025, отримані через сервіс yfinance. Експериментальне моделювання проводилося з метою порівняння точності прогнозування на основі таких мет-рик, як середня абсолютна похибка (MAE), середньоквадратична похибка (MSE), корінь середньоквадратичної похибки (RMSE) та середня абсолютна відносна похибка (MAPE). Результати аналізу показали, що модель LSTM забезпечує найкращу точність прогнозування завдяки здатності продуктивно моделювати складні патерни у часових рядах. SARIMA також продемонструвала високу ефективність у прогнозуванні, особливо для даних із вираженою сезонною складовою, перевершуючи ARIMA за точністю. Водночас ARIMA продемонструвала найгірші результати через обмежену здатність адаптуватися до сезонності та нелінійних залежностей. Одержані висновки можуть бути корисними для аналітиків, інвесторів та дослідників, що займаються фінансовим прогнозуванням. Робота містить практичні ре-комендації щодо вибору моделі залежно від характеристик даних і потреб прогнозування, а також висвітлює сильні та слабкі сторони кожного підходу.