Круковець Д. Ю. Кластеризація компонент інфляції та прогнозування методами машинного навчання

У вступі розкрито сутність і стан розробки наукової проблематики, обґрунтовано вибір і актуальність обраної теми розробки багатоступеневого алгоритму на основі алгоритмів кластеризації та нейронних мереж з метою прогнозування часових рядів, зокрема тих що мають властивість дезагрегації на підкомпоненти. Визначено мету, об’єкт, предмет, методи дослідження, розкрито наукову новизну дослідження, теоретичне і практичне значення наукових результатів, особистий внесок здобувача, зазначено інформацію про впровадження і апробацію результатів. Прогнозування процесів та часових рядів є необхідним, бо це дозволяє створювати стратегії з середньо¬ та довгостроковим планування, що враховують низку факторів та ризиків, діяти проактивно. Однак створення якісних прогностичних моделей є нетривіальною задачею. Застосування нейронних мереж у економічному аналізі та прогнозуванні є актуальним та перспективним напрямом. В дисертаційній роботі основна увага приділяється розробці комбінованої багатоступеневої нейромережевої моделі, поєднуючи її з алгоритмами кластеризації дезагрегованого набору даних для одночасного виявлення лінійних та сезонних особливостей у рядах та їх взаємозалежної структури.