| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Viedās datortehnoloģijas |
| Nosaukums |
Mākslīgā intelekta ģeneratīvo tehnoloģiju izpēte sintētisko laika rindu ģenerēšanai |
| Nosaukums angļu valodā |
Exploring Generative Artificial Intelligence Technologies for Synthetic Time Series Generation |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Sergejs Paršutins |
| Recenzents |
Andrejs Bondarenko |
| Anotācija |
Bakalaura darbā tiek pētītas mākslīgā intelekta (MI) ģeneratīvās tehnoloģijas un to pielietojums sintētisko laika rindu ģenerēšanai. Darba mērķis ir izvērtēt šo tehnoloģiju efektivitāti un pielietojamību, risinot problēmu saistībā ar nepieciešamību pēc lieliem datu apjomiem situācijās, kad reālu datu ieguve ir apgrūtināta vai dārga.
Darbā veikts literatūras apskats par MI ģeneratīvajām tehnoloģijām, īpašu uzmanību pievēršot dažādiem algoritmiem un modeļiem, kas piemēroti laika rindu ģenerēšanai, tostarp tradicionālajām statistiskajām metodēm, rekurentajiem neironu tīkliem (RNN), ģeneratīvajiem pretinieku tīkliem (GAN), TimeGAN un Informer arhitektūrai. Eksperimentālajā daļā tika izmantoti reāli laika rindu dati no trim vides sensoriem (temperatūra, duļķainība, oksidēšanās-reducēšanās potenciāls (ORP)), lai apmācītu un novērtētu izvēlētās ģenerēšanas metodes. Sintētisko laika rindu kvalitāte un precizitāte tika analizēta, izmantojot tādas metrikas kā autokorelācijas funkcija, Vaseršteina attālums, Spīrmena un Pīrsona korelācijas, dinamiskā laika deformācija (DTW) un koriģētā vidējā kvadrātiskā kļūda. Darba rezultāti sniedz ieskatu dažādu MI pieeju piemērotībā un izaicinājumos sintētisko laika rindu ģenerēšanā. |
| Atslēgas vārdi |
mākslīgais intelekts, ģeneratīvās tehnoloģijas, sintētiskās laika rindas, GAN, TimeGAN, RNN, Informer, laika rindu analīze, mašīnmācīšanās |
| Atslēgas vārdi angļu valodā |
artificial intelligence, generative technologies, synthetic time series, GAN, TimeGAN, RNN, Informer, time series analysis, machine learning |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 17:22:06 |
