IQTISODIY KO‘RSATKICHLARNI BASHORAT QILISHDA LSTM NEYRON TARMOQ MODELINI QURISH VA O‘QITISH
Keywords:
Kalit so‘zlar: LSTM, neyron tarmoqlar, iqtisodiy bashoratlash, vaqt qatorlari, RNN, ARIMA, Deep Learning, MSE, MAE, MAPE, Adam optimizatori, iqtisodiy modellashtirish., Ключевые слова: LSTM, нейронные сети, экономическое прогнозирование, временные ряды, RNN, ARIMA, глубокое обучение, MSE, MAE, MAPE, оптимизатор Adam, экономическое моделирование., Keywords: LSTM, neural networks, economic forecasting, time series, RNN, ARIMA, deep learning, MSE, MAE, MAPE, Adam optimizer, economic modeling.Abstract
Annotatsiya: Mazkur maqolada iqtisodiy ko‘rsatkichlarni bashorat qilishda Long Short-Term Memory (LSTM) neyron tarmoq modelini qurish va o‘qitish masalalari tadqiq etilgan. Iqtisodiy vaqt qatorlarining murakkab va nolinear xususiyatlari tahlil qilinib, an’anaviy ARIMA modellari bilan LSTM modelining imkoniyatlari taqqoslangan. Tadqiqotda LSTM arxitekturasi, uning asosiy komponentlari – Forget Gate, Input Gate va Output Gate mexanizmlari hamda modelni o‘qitish jarayoni yoritilgan. Shuningdek, ma’lumotlarni tayyorlash, normalizatsiya qilish, sliding window usulidan foydalanish va model samaradorligini MSE, MAE hamda MAPE mezonlari asosida baholash masalalari ko‘rib chiqilgan. Olingan natijalar LSTM modelining iqtisodiy ko‘rsatkichlarni prognozlashda yuqori aniqlik va moslashuvchanlikka ega ekanligini ko‘rsatdi.
Аннотация: В статье рассматриваются вопросы построения и обучения модели нейронной сети Long Short-Term Memory (LSTM) для прогнозирования экономических показателей. Проанализированы сложные и нелинейные особенности экономических временных рядов, а также проведено сравнение возможностей модели LSTM и традиционной модели ARIMA. Рассмотрены архитектура LSTM, механизмы Forget Gate, Input Gate и Output Gate, а также процесс обучения модели. Особое внимание уделено подготовке данных, нормализации, использованию метода sliding window и оценке качества модели с помощью показателей MSE, MAE и MAPE. Полученные результаты подтверждают высокую точность и адаптивность модели LSTM при прогнозировании экономических показателей.
Abstract: This article investigates the construction and training of a Long Short-Term Memory (LSTM) neural network model for forecasting economic indicators. The nonlinear and dynamic characteristics of economic time series are analyzed, and the capabilities of LSTM are compared with traditional ARIMA models. The study examines the LSTM architecture, including Forget Gate, Input Gate, and Output Gate mechanisms, as well as the model training process. Special attention is given to data preprocessing, normalization, the sliding window approach, and model evaluation using MSE, MAE, and MAPE metrics. The results demonstrate that the LSTM model provides high accuracy and adaptability in forecasting economic indicators.
