20.500.12556/ReVIS-12397 Napovedovanje časovnih vrst z modeli globokega učenja primerjalna analiza TFT, LSTM IN GRU magistrska naloga V 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. In this master’s thesis, we explored the performance of three deep learning models for forecasting future Bitcoin prices: Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Temporal Fusion Transformer (TFT), the latter being the most recent among them. We evaluated the models using several metrics, including RMSE, MAE, MAPE, SMAPE, and MASE. In addition to forecast accuracy, we examined model interpretability and the influence of macroeconomic indicators and categorical variables. Hyperparameter optimization was performed using Optuna. Results show that the TFT model achieved the best predictive performance and provided valuable insights into the key factors affecting Bitcoin’s future price. Hypotheses related to accuracy, training time, and feature importance were evaluated based on experimental results. napovedovanje časovnih vrst Bitcoin LSTM GRU Temporal Fusion Transformer interpretabilnost Optuna time series forecasting Bitcoin LSTM GRU Temporal Fusion Transformer interpretability Optuna true true false J. Bučar Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-10-13 15:08:06 2025-10-13 15:08:06 2025-10-14 03:11:30 0000-00-00 00:00:00 2025 0 Novo mesto 2025 Novo mesto Na ov.: Magistrska naloga : študijskega programa druge stopnje; XV, 76 str. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.8(043.2) 252972291 MAG_2025_Janez_Bucar.pdf MAG_2025_Janez_Bucar.pdf 1 B1BDEF4F3F8A7485E042D8B0B95BBBA2 2c983db5e7e650b05d08be787c1a3d8f93ce3c4e7d2e9398ff492638c29ff1a9 12a6f122-a836-11f0-9bb7-001a4af901a5 https://revis.openscience.si/Dokument.php?lang=slv&id=14511 Fakulteta za informacijske študije v Novem mestu 0 0 0