LSTM MODELI ASOSIDA BASHORAT JARAYONINI AMALGA OSHIRISH VA NATIJALARNI VIZUAL IFODALASH
Keywords:
Kalit so‘zlar: LSTM, iqtisodiy bashoratlash, vaqt qatorlari, sun’iy neyron tarmoqlar, sliding window, inflyatsiya, YAIM, eksport, valyuta kursi, prognozlash, vizualizatsiya., Ключевые слова: LSTM, экономическое прогнозирование, временные ряды, нейронные сети, sliding window, инфляция, ВВП, экспорт, валютный курс, прогнозирование, визуализация., Keywords: LSTM, economic forecasting, time series, neural networks, sliding window, inflation, GDP, export, exchange rate, forecasting, visualization.Abstract
Annotatsiya: Mazkur maqolada iqtisodiy ko‘rsatkichlarni prognozlashda Long Short-Term Memory (LSTM) neyron tarmoq modelidan foydalanish masalalari o‘rganilgan. Tadqiqotda vaqt qatorlari asosida iqtisodiy ma’lumotlarni qayta ishlash, sliding window usuli yordamida ma’lumotlarni tayyorlash, modelni o‘qitish va prognoz natijalarini real qiymatlarga qaytarish bosqichlari tahlil qilingan. Shuningdek, inflyatsiya darajasi, yalpi ichki mahsulot, eksport hajmi va valyuta kurslari bo‘yicha prognoz natijalari shakllantirilib, grafik va jadval ko‘rinishida vizual ifodalangan. Olingan natijalar LSTM modelining iqtisodiy vaqt qatorlaridagi murakkab va nolinear bog‘liqliklarni aniqlash hamda yuqori aniqlikdagi prognozlarni shakllantirish imkoniyatiga ega ekanligini ko‘rsatdi.
Аннотация: В статье исследуются вопросы прогнозирования экономических показателей с использованием нейронной сети Long Short-Term Memory (LSTM). Рассмотрены процессы подготовки данных временных рядов, применения метода sliding window, обучения модели и преобразования прогнозных результатов в реальные значения. Выполнено прогнозирование уровня инфляции, валового внутреннего продукта, объёмов экспорта и валютного курса с последующей визуализацией результатов в виде таблиц и графиков. Полученные результаты подтверждают высокую эффективность модели LSTM при анализе сложных и нелинейных экономических процессов.
Abstract: This article investigates the use of the Long Short-Term Memory (LSTM) neural network model for forecasting economic indicators. The study analyzes time-series data preparation, the sliding window approach, model training, and the transformation of forecast outputs into real values. Forecasts for inflation, gross domestic product, export volume, and exchange rates are generated and visualized using tables and graphs. The results demonstrate that the LSTM model effectively captures complex nonlinear relationships in economic time series and provides accurate forecasting outcomes.
