Детальная информация

Целью работы является оценка применимости KAN к задаче прогнозирования временных рядов путем сравнительного анализа KAN и методов, основанных на этой архитектуре, с традиционно применяемыми подходами глубокого обучения. В ходе работы были рассмотрены современные методы прогнозирования, изучены особенности архитектуры KAN, способствующие эффективному применению ко временным рядам и устранению ограничений методов глубокого обучения. Проанализировано текущее положение разработок по применению KAN ко временным рядам, разработана гибридная архитектура KAN-BEATS. Проведен сравнительный анализ KAN с многослойным персептроном и рекуррентными нейронными сетями LSTM, GRU. По результатам работы можно заключить, что KAN представляет собой многообещающую альтернативу многослойного персептрона и открывает возможности для дальнейшего совершенствования моделей глубокого обучения. Рассмотренные методы на основе KAN могут эффективно применяться в задачах прогнозирования временных рядов.

The aim of the work is to evaluate the applicability of KAN to the task of time series forecasting by comparing KAN and methods based on this architecture with traditionally used deep learning approaches. During the work, modern forecasting methods were considered, the features of the KAN architecture were studied, which contribute to the effective application of time series and eliminate the limitations of deep learning methods. The current state of developments on the application of KAN to time series is analyzed, and the hybrid architecture of KAN-BEATS is developed. A comparative analysis of KAN with a multilayer perceptron and recurrent neural networks LSTM, GRU is carried out. Based on the results of the work, it can be concluded that KAN is a promising alternative to the multilayer perceptron and opens up opportunities for further improvement of deep learning models. The considered KAN-based methods can be effectively applied for time series forecasting.