IQTISODIY KO‘RSATKICHLARNI NEYRON TARMOQLAR ASOSIDA PROGNOZLASH USULLARINI TAKOMILLASHTIRISH

Abstract

Ushbu tezisda iqtisodiy ko‘rsatkichlarni prognozlashda zamonaviy sun’iy intellekt va neyron tarmoq texnologiyalaridan foydalanish masalalari tadqiq etiladi. Iqtisodiy jarayonlarning vaqt davomida o‘zgarishi, tashqi va ichki omillarning ta’siri hamda ma’lumotlar orasidagi murakkab bog‘lanishlar an’anaviy statistik usullar yordamida yuqori aniqlikda prognozlashni murakkablashtiradi. Shu sababli iqtisodiy vaqt qatorlarini modellashtirishda chuqur o‘rganishga asoslangan neyron tarmoqlardan foydalanish muhim ahamiyat kasb etadi. Tadqiqotda inflyatsiya darajasi, yalpi ichki mahsulot, valyuta kursi, eksport hajmi va ishsizlik darajasi kabi makroiqtisodiy ko‘rsatkichlarni prognozlash uchun LSTM (Long Short-Term Memory) neyron tarmog‘idan foydalanish yondashuvi ko‘rib chiqilgan. Ma’lumotlarni tayyorlash, yetishmayotgan qiymatlarni tiklash, anomal qiymatlarni aniqlash, normallashtirish, vaqt qatorlarini o‘quv va test to‘plamlariga ajratish hamda LSTM modelini o‘qitish bosqichlari yoritilgan. Taklif etilayotgan yondashuv iqtisodiy ko‘rsatkichlarning kelajakdagi qiymatlarini aniqlash va qaror qabul qilish jarayonlarini axborot jihatdan qo‘llab-quvvatlash imkonini beradi.

В тезисе рассматриваются вопросы применения современных технологий искусственного интеллекта и нейронных сетей для прогнозирования экономических показателей. Изменчивость экономических процессов во времени, влияние различных внутренних и внешних факторов, а также наличие сложных взаимосвязей между данными затрудняют получение точных прогнозов с использованием традиционных статистических методов. В связи с этим применение нейронных сетей глубокого обучения для моделирования экономических временных рядов приобретает особую актуальность. В работе рассматривается подход на основе нейронной сети LSTM (Long Short-Term Memory) для прогнозирования таких макроэкономических показателей, как уровень инфляции, валовой внутренний продукт, валютный курс, объем экспорта и уровень безработицы. Освещены этапы подготовки данных, восстановления пропущенных значений, выявления аномальных значений, нормализации, разделения временных рядов на обучающую и тестовую выборки, а также обучения модели LSTM. Предлагаемый подход позволяет повысить эффективность прогнозирования экономических показателей и обеспечить информационную поддержку процессов принятия решений.

This thesis examines the application of modern artificial intelligence and neural network technologies for forecasting economic indicators. The dynamic nature of economic processes, the influence of internal and external factors, and complex relationships between economic variables make accurate forecasting difficult using traditional statistical methods. Therefore, deep learning-based neural networks are increasingly important for modeling economic time series. The study considers an LSTM (Long Short-Term Memory) neural network approach for forecasting macroeconomic indicators such as inflation, gross domestic product, exchange rate, export volume, and unemployment rate. The main stages of data preparation, missing value recovery, anomaly detection, normalization, division of time-series data into training and testing sets, and LSTM model training are discussed. The proposed approach can improve the efficiency of economic forecasting and provide information support for decision-making processes.