Izpis gradiva

A+ | A- | | SLO | ENG

Naslov: Napovedovanje časovnih vrst z modeli globokega učenja : primerjalna analiza TFT, LSTM IN GRU Avtorji: ID Bučar, Janez (Avtor) ID Boškoski, Pavle (Mentor) Več o mentorju... Datoteke: MAG_2025_Janez_Bucar.pdf (3,93 MB) MD5: B1BDEF4F3F8A7485E042D8B0B95BBBA2   Jezik: Slovenski jezik Vrsta gradiva: Magistrsko delo/naloga Tipologija: 2.09 - Magistrsko delo Organizacija: FIŠ - Fakulteta za informacijske študije v Novem mestu Opis: 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. Ključne besede: napovedovanje časovnih vrst, Bitcoin, LSTM, GRU, Temporal Fusion Transformer, interpretabilnost, Optuna Kraj izida: Novo mesto Kraj izvedbe: Novo mesto Založnik: J. Bučar Leto izida: 2025 Leto izvedbe: 2025 Št. strani: XV, 76 str. PID: 20.500.12556/ReVIS-12397  UDK: 004.8(043.2) COBISS.SI-ID: 252972291  Opomba: Na ov.: Magistrska naloga : študijskega programa druge stopnje; Datum objave v ReVIS: 13.10.2025 Število ogledov: 160 Število prenosov: 5 Metapodatki:    Citiraj gradivo Navadno besedilo BibTeX EndNote XML EndNote/Refer RIS ABNT ACM Ref AMA APA Chicago 17th Author-Date Harvard IEEE ISO 690 MLA Vancouver : Kopiraj citat

Objavi na: Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:	CC BY-NC-SA 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Deljenje pod enakimi pogoji 4.0 Mednarodna
Povezava:	http://creativecommons.org/licenses/by-nc-sa/4.0/deed.sl
Opis:	Licenca Creative Commons, ki prepoveduje komercialno uporabo in zahteva, da uporabnik predelana dela objavi z enako licenco.

Sekundarni jezik

Jezik:	Angleški jezik
Opis:	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.
Ključne besede:	time series forecasting, Bitcoin, LSTM, GRU, Temporal Fusion Transformer, interpretability, Optuna

Nazaj