20.500.12556/DKUM-92528 Primerjava modelov LSTM, CNN in Transformer ter njihovih kombinacij pri napovedovanju časovnih vrst Comparison of LSTM, CNN and Transformer models as well as their combinations at time series forecasting V magistrskem delu smo primerjali izbrane arhitekture nevronskih mrež (LSTM, CNN, časovni Transformer in hibridne CNN-LSTM) pri napovedovanju časovnih vrst s posamezno spremenljivko in z več spremenljivkami ter pri različnih časovnih horizontih. Rezultati kažejo, da TCN (različica CNN) in LSTM največkrat dosežeta najnižje vrednosti napak. TCN se je izkazal kot najboljša izbira, saj pri zelo majhnem številu parametrov dosega rezultate, primerljive z večjimi modeli. In this master's thesis, we compared selected neural network architectures (LSTM, CNN, temporal Transformer, and hybrid CNN-LSTM) for forecasting time series with a single variable and with multiple variables and across different forecasting horizons. The results indicate that TCN (a variant of CNN) and LSTM frequently achieve the lowest error values. TCN proved to be the best choice, as it delivers performance comparable to that of larger models while using a very small number of parameters. Napovedovanje časovnih vrst Nevronske mreže Mreža z dolgim kratkoročnim spominom Časovna konvolucijska mreža Transformer Time series forecasting Neural networks Long short-term memory Temporal convolutional network Transformer true true false [T. Koren] Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-04-16 18:27:11 2025-07-10 09:22:29 2025-07-28 10:27:56 0000-00-00 00:00:00 2025 0 Maribor 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.8.032.26:519.2(043.2) 244006147 MAG_Koren_Tilen_2025.pdf MAG_Koren_Tilen_2025.pdf 1 DBF75ABCC4444A8180B0553808C3DC68 187c7b5926dfd504e8a1d6a33d9352e5ec41c494dadadde75e50d25d115341e7 daaa6c1a-2b49-11f0-ad44-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=190765 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0