The main goal of non-stationary time series prediction is the construction, identification, configuration and
verification of their models. The efficiency of using machine learning technologies for the analysis of non-stationary time series is
shown due to their ability to model complex nonlinear dependencies in the behaviour of the time series from both depending on
previous values and external factors, to analyse features, relationships and complex interactions. The features of time series
prediction using a one-dimensional convolutional neural network are discussed. The features of the architecture and the training
process when using a one-dimensional convolutional neural network are considered on the example of solving the problems to
predict sales and build a forecast of company stock prices. To improve the quality of the prediction, the initial time series were preprocessed by the moving average method in the window. Computer modelling of the predicting problem using the one-dimensional
convolutional neural network was performed in the Python programming language. The sales prediction using the proposed onedimensional convolutional neural network model predicted volume sale of cars and commercial vehicles in Vietnam from two
thousand and eleven to two thousand and eighteen. The one-dimensional convolutional neural network model has given a high
accuracy of prediction with seasonal trend data. In stock prices prediction, another architecture of one-dimensional convolutional
neural network model was launched, which corresponds to non-stationary data with large lengths of data series with small intervals
between minutes, such as stock trading statistics per minute. In this project, data is taken from Amazon Nasdaq one hundred for forty
thousand five hundred and sixty data points. The data is divided into training and test sets. The test suite is used to verify the actual
performance of the model. It is shown that the model of a one-dimensional convolutional neural network gives good results in the
presence of both seasonal and trend components of the time series with large data sizes
Основною метою прогнозування нестаціонарних часових рядів є побудова, ідентифікація, налаштування і
перевірка їх моделей. Показана ефективність використання технологій машинного навчання для аналізу нестаціонарних
часових рядів завдяки їх здатності моделювати складні нелінійні залежності в поведінці часового ряду, як в залежності від
попередніх значень, так і зовнішніх чинників, аналізувати особливості, відносини і складні взаємодії. Обговорено
особливості прогнозування часових рядів з використанням одновимірної згорткової нейронної мережі. Розглянуто
особливості архітектури і процесу навчання при використанні одновимірної згорткової нейронної мережі на прикладі
рішення задач прогнозування продажів і побудови прогнозу цін акцій компанії. Для поліпшення якості прогнозу, вихідні
часові ряди під давалися попередній обробці методом ковзного середнього в вікні. Комп'ютерне моделювання задачі
прогнозування із застосуванням одновимірної згорткової нейронної мережі виконано на мові програмування Python. У
прогнозі продажів з використанням архітектури запропонованої моделі одновимірної згорткової нейронної мережі
зроблено прогноз продаж легкових і комерційних автомобілів у В'єтнамі в період з дві тисячі одинадцятого по дві тисячі
вісімнадцятий роки. Модель одновимірної згорткової нейронної мережі показала високу точність прогнозування з даними
сезонного тренду. У прогнозуванні цін на акції була використана інша архітектура моделі одновимірної згорткової
нейронної мережі, яка відповідає нестаціонарним даним з великими довжинами серій даних при невеликому інтервалі між
відліками, такими як дані статистики торгівлі акціями за хвилину. У цьому проекті дані взяті з AmazonNasdaq100 для
сорока тисяч п’ятисот шістдесяти точок даних. Дані поділяються на навчальний і тестовий набори. Тестовий набір
використовується для перевірки фактичної продуктивності моделі. Показано, що модель одновимірної згорткової
нейронної мережі дає хороші результати при наявності як сезонної, так і трендової складових часового ряду при великих
розмірах даних
Основной целью прогнозирования нестационарных временных рядов является построение,
идентификация, настройка и проверка их моделей. Показана эффективность использования технологий машинного
обучения для анализа нестационарных временных рядов благодаря их способности моделировать сложные
нелинейные зависимости в поведении временного ряда, как в зависимости от предыдущих значений, так и внешних
факторов, анализировать особенности, отношения и сложные взаимодействия. Обсуждены особенности
прогнозирования временных рядов с использованием одномерной сверточной нейронной сети. Рассмотрены
особенности архитектуры и процесса обучения при использовании одномерной сверточной нейронной сети на
примере решения задач прогнозирования продаж и построения прогноза цен акций компании. Для улучшения качества
прогноза, исходные временные ряды подвергались предварительной обработке методом скользящего среднего в окне.
Компьютерное моделирование задачи прогнозирования с применением одномерной сверточной нейронной сети
выполнено на языке программирования Python. В прогнозе продаж с использованием архитектуры предложенной
модели одномерной сверточной нейронной сети спрогнозировано продажу легковых и коммерческих автомобилей во
Вьетнаме в период с две тысячи одиннадцатого по две тысячи восемнадцатый годы. Модель одномерной сверточной
нейронной сети показала большую точность предсказания с данными сезонного тренда. В прогнозировании цен на
акции была использована другая архитектура модели одномерной сверточной нейронной сети, которая
соответствует нестационарным данным с большими длинами серий данных при небольшом интервале между
отсчетами, такими как данные статистики торговли акциями за минуту. В этом проекте данные взяты из
AmazonNasdaq100 для сорока тысяч пятьсот шестидесяти точек данных. Данные делятся на обучающий и
тестовый наборы. Тестовый набор используется для проверки фактической производительности модели. Показано,
что модель одномерной сверточной нейронной сети дает хорошие результаты при наличии как сезонной, так и
трендовой составляющих временного ряда при больших размерах данных
