Aplikace pro analýzu časových řad

Abstract

Tato bakalářská práce se zabývá analýzou a predikcí časových řad pomocí metod dolování dat v jazyce Python. V teoretické části jsou popsány klíčové principy zpracování časových řad, jako je transformace, sezónnost, stacionarita a práce s chybějícími daty. Dále jsou představeny knihovny umožňující modelování časových řad statistickými i neuronovými metodami. V praktické části byla navržena aplikace, která uživateli umožňuje nahrát časovou řadu, analyzovat ji a provést predikci pomocí vybraného modelu. Výsledky experimentů na třech typech dat ukazují, že volba vhodného modelu závisí na povaze časové řady. Práce propojuje teorii s praxí a přináší flexibilní nástroj pro predikci časových dat.

This bachelor's thesis focuses on the analysis and prediction of time series using data mining methods in Python. The theoretical part describes key principles of time series processing, such as transformation, seasonality, stationarity, and handling of missing data. It also introduces libraries for modeling time series using statistical and neural network approaches. In the practical part, an application was designed that allows the user to upload a time series, analyze it, and make predictions using a selected model. The results of experiments on three types of data show that the choice of a suitable model depends on the nature of the time series. The thesis connects theory with practice and provides a flexible tool for time series forecasting.