Napovedovanje časovnih vrst z modeli globokega učenjaBučar, Janez (Avtor) Boškoski, Pavle (Mentor) napovedovanje časovnih vrstBitcoinLSTMGRUTemporal Fusion TransformerinterpretabilnostOptunaV magistrskem delu smo raziskovali učinkovitost treh modelov globokega učenja za napovedovanje prihodnjih cen Bitcoina. Modeli, ki smo jih uporabili, so Long-Short Term Memory (LSTM), Gated Reccurent Unit (GRU) in Temporal Fusion Transformer (TFT), ki velja za najnovejšo arhitekturo med izbranimi modeli. Analizo uspešnosti modelov smo opravili na več evalvacijskih metrikah, kot so RMSE, MAE, MAPE, SMAPE in MASE. Poleg natančnosti napovedi smo analizirali tudi interpretabilnost modelov ter vpliv makroekonomskih kazalnikov in kategoričnih spremenljivk. Optimizacijo hiperparametrov smo izvedli s pomočjo knjižnice Optuna, da smo izkoristili njihov potencial. Rezultati kažejo, da je TFT model dosegel najboljše napovedne rezultate ter omogočil interpretacijo dejavnikov, ki imajo vpliv na prihodnjo ceno Bitcoina. Hipoteze, ki so se nanašale na primerjavo natančnosti, časa učenja in pomen vhodnih značilk, smo ovrednotili na podlagi eksperimentalnih rezultatov.J. Bučar20252025-10-13 15:08:06Magistrsko delo/naloga12397UDK: 004.8(043.2)COBISS_ID: 252972291sl