Analýza obchodních dat využitím metod rozpoznání vzoru

Abstract

Tato práce se věnuje základním metodám analýzy časových řad a jejich rozkladu s použitím aditivního modelu. Popisuje tvorbu tříd v jazyce Python pro tvorbu časové řady a její rozklad. Zabývá se také tvorbou grafického rozhraní pro program v prostředí MATLAB pro generování a značkování časových řad. Rozebírám zde implementaci funkcí pro rozklad časových řad vytvořených dříve v jazyce Python. Vybral jsem sedm vlastností, které jsem u časových řad značkoval. Stanovil jsem jak obecné, tak konkrétně volené příznaky pro reprezentaci sledovaných vlastností. Časové řady vygenerované pomocí tohoto programu jsou použity pro trénování klasifikátoru pro automatický sémantický popis. Takto natrénovaný klasifikátor jsem poté použil pro predikci označení vlastností neznámých časových řad.This project explores basic methods of time series analysis and decomposition of these series using the additive model. It describes creation of classes for generating and decomposition of time series in Python. This project also guides the reader through creation of Matlab user interface which is used to generate time series and mark chosen parameters. I also go through implementation of functions for time series decomposition previously created in Python. I chose seven parameters of which I kept track. I also chose general features for representing chosen parameters as well as features which were chosen carefully for each parameter. Every time series generated by this user interface are then used to train a program, which classifies them for semantic description. After training the created model was used to predict chosen parameters of previously unknown time series.