Prediction Time Series Data Analysis

Diplomová práce se věnuje problematice analýzy a prognózováni časových řad. Cílem práce je prozkoumat existující metody prognózováni časových řad, včetně potřebných kroků předzpracování dat. Jsou vybrané tři slibné metody prognózováni, včetně ARIMA, metody prognózováni pomoci Neuronových síti a metody dvojitého exponenciálního vyrovnání. Dále jsou vybrané tři datové sady z praxe, pro které byli v programovém prostředí MATLAB implementované jednotlivé modely prognózováni. V praktické častí práce jsou demonstrované výsledky jednotlivých experimentů, včetně výkonu jednotlivých metod v závislosti na rozměru tzv. "trénovací sady" dat. V závěru práce je provedené zhodnoceni výsledku a jsou uvedené perspektivy pro další vylepšeni kvality predikce.Given thesis deals with the problematic of time series analysis and forecasting. The aim of thesis is to survey an existing time series forecasting methods, including necessary data preprocessing steps. There are selected three promising forecasting methods, including ARIMA method, artificial neural networks method and double exponential smoothing method. There are also selected three real life datasets from different areas. Individual forecasting models have been implemented for each dataset, in MATLAB programming environment. In practical part of thesis, there are demonstrated results of performed experiments, including dependency between forecasting accuracy and the size of training set. At the end of the thesis, there are results summary and further improvements are discussed