Дрінь, СвітланаШмєльова, Дар'я2024-04-042024-04-042023https://ekmair.ukma.edu.ua/handle/123456789/28621У даній роботі ми розглядаємо сучасні методи статистики та машинного навчання для прогнозування цін. Основна ідея полягає в тому, щоб поєднати надійність TRAMO для попередньої обробки даних часових рядів із потужністю машинного навчання, особливо алгоритму Random Forest, для створення прогнозів. TRAMO — це абревіатура від Time Series Regression with ARIMA Noise, Missing Observations і Outliers. Він використовується для обробки складної природи даних часових рядів, що робить його гарним вибором для підготовки даних. Алгоритм випадкового лісу — це популярна техніка машинного навчання, яка відома своєю здатністю обробляти складні шаблони та багатовимірні дані, що робить його хорошим для прогнозування цін. Ця робота показує, як традиційні статистичні методи та передові методи прогнозування за допомогою алгоритмів машинного навчання можна використовувати разом для прогнозування цін, що корисно як для академічних досліджень, так і для реальних застосувань у різних галузях.enHedonic Index ConstructionQuality-Adjusted Price Indexesforecusting model and data predicitionбакалаврська роботаOther