Отримано 27.10.2025, Доопрацьовано 23.01.2026, Прийнято 26.03.2026 Опубліковано 20.04.2026

Прогнозування часових рядів за допомогою нейромережі з паралельно-стекованими LSTM-блоками

Юрій Футрик, Іван Пелещак

Прогнозування часових рядів є критично важливими для підтримки рішень у фінансовій аналітиці, де дані характеризуються нелінійністю, нестаціонарністю та високим рівнем шуму. Метою роботи було визначення ефективної конфігурації рекурентної нейронної мережі з паралельним поєднанням стеків осередків Long Short-Term Memory (LSTM) для підвищення точності прогнозування цін акцій, а також можливостей застосування прикладної моделі в галузі промисловості, енергетиці та суміжних доменах. У дослідженні застосовано методи глибинного навчання з використанням бібліотеки TensorFlow/Keras, а для навчання моделі використано історичні дані акцій корпорації Google. Встановлено, що архітектура з паралельно-стекованими блоками забезпечує вищу стабільність навчання порівняно зі стандартними рекурентними моделями за рахунок ефективнішого виділення технічних ознак часової послідовності. Експериментально доведено, що оптимальна кількість нейронів у прихованих шарах для такої задачі становить 100–200 одиниць, тоді як подальше збільшення потужності моделі призводить до ефекту перенавчання. Виявлено, що застосування регуляризації Dropout у діапазоні 0,1-0,2 дозволяє мінімізувати помилку на валідаційній вибірці, у той час як значення понад 0,3 суттєво уповільнюють збіжність алгоритму. Аналіз інженерії ознак показав, що інтеграція експоненціального ковзного середнього з коротким вікном часу покращує результат моделі, демонструючи вищу кореляцію з цільовим показником, ніж індекс відносної сили. Якість прогнозування моделі оцінювали за середньоквадратичною помилкою (Mean Squared Error, MSE), коренем із неї (Root Mean Squared Error, RMSE) і середньою абсолютною відсотковою похибкою (Mean Absolute Percentage Error, MAPE). Встановлено, що для конфігурацій (50-100 блоків) характерні підвищені значення MAPE, тоді як у діапазоні 180-400 блоків похибка зменшується та набуває стабільного характеру. Найточніший результат отримано для конфігурації з 325 блоками, регуляризацією Dropout = 0,05 та оптимізатором Nadam (Nesterov-accelerated Adam): MAPE = 1,62 %, RMSE = 2,41, MSE = 6,05. Практична цінність дослідження полягає у формулюванні чітких рекомендацій щодо налаштування гіперпараметрів LSTM-моделей для прикладного короткострокового прогнозування фінансових рядів

глибинне навчання; Dropout-регуляризація; Nadam-оптимізація; EMA; RSI
72-82
Futryk, Yu. , & Peleshchak, I. (2026). Forecasting of time series using a neural network with parallel-stacked LSTM blocks. Information Technologies and Computer Engineering, 23(1), 72-82. https://doi.org/10.31649/vitce/1.2026.72

Використані джерела

  1. Abbasimehr, H., & Paki, R. (2022). Improving time series forecasting using LSTM and attention models. Journal of Ambient Intelligence and Humanized Computing, 13, 673-691. doi: 10.1007/s12652-020-02761-x.
  2. Chicco, D., Warrens, M.J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, article number e623. doi: 10.7717/peerj-cs.623.
  3. Draw.io. (n.d.). Retrieved from https://app.diagrams.net/.
  4. Ez-zaiym, M., Senhaji, Y., Rachid, M., El Moutaouakil, K., & Palade, V. (2025). Fractional optimizers for LSTM networks in financial time series forecasting. Mathematics, 13(13), article number 2068. doi: 10.3390/math13132068.
  5. Ghojogh, B., & Ghodsi, A. (2023). Recurrent neural networks and long short-term memory networks: Tutorial and survey. ArXiv. doi: 10.48550/arXiv.2304.11461.
  6. Gülmez, B. (2023). Stock price prediction with optimized deep LSTM network with artificial rabbits optimization algorithm. Expert Systems with Applications, 227, article number 120346. doi: 10.1016/j.eswa.2023.120346.
  7. Kabir, M.R., Bhadra, D., Ridoy, M., & Milanova, M. (2025). LSTM-transformer-based robust hybrid deep learning model for financial time series forecasting. Sci, 7(1), article number 7. doi: 10.3390/sci7010007.
  8. Koo, E., & Kim, G. (2022). A hybrid prediction model integrating GARCH models with a distribution manipulation strategy based on LSTM networks for stock market volatility. IEEE Access, 10, 34743-34754. doi: 10.1109/ACCESS.2022.3163723.
  9. Kurniawan, A., Indrabayu, & Yusuf, M. (2024). Stock price prediction using technical data and sentiment score. In 2024 IEEE international conference on Industry 4.0, artificial intelligence, and communications technology (IAICT) (pp. 360-366). Bali: IEEE. doi: 10.1109/IAICT62357.2024.10617768.
  10. Lim, B., Arık, S.O., Loeff, N., & Pfister, T. (2021). Temporal fusion transformers for interpretable multi-horizon time series forecasting. International Journal of Forecasting, 37(4), 1748-1764. doi: 10.1016/j.ijforecast.2021.03.012.
  11. Lindemann, B., Müller, T., Vietz, H., Jazdi, N., & Weyrich, M. (2021). A survey on long short-term memory networks for time series prediction. Procedia CIRP, 99, 650-655. doi: 10.1016/j.procir.2021.03.088.
  12. Livieris, I.E., Pintelas, E., & Pintelas, P. (2020). A CNN-LSTM model for gold price time-series forecasting. Neural Computing and Applications, 32, 17351-17360. doi: 10.1007/s00521-020-04867-x.
  13. Lytvyn, V., Peleshchak, I., Stepaniak, Y., Peleshchak, R., & Ishchuk, O. (2025). High-precision detection of GPS spoofing attacks on UAVs using MLP. International Journal of Computing, 24(2), 254-262. doi 10.47839/ijc.24.2.4008.
  14. Peleshchak, I., & Futryk, Y. (2025). Time series forecasting using sequentially connected LSTM blocks. Herald of Khmelnytskyi National University. Technical Sciences, 347(1), 432-441. doi: 10.31891/2307-5732-2025-347-59.
  15. Sezer, O.B., Gudelek, M.U., & Ozbayoglu, A.M. (2020). Financial time series forecasting with deep learning: A systematic literature review: 2005-2019. Applied Soft Computing, 90, article number 106181. doi: 10.1016/j.asoc.2020.106181.
  16. Smyl, S. (2020). A hybrid method of exponential smoothing and recurrent neural networks. International Journal of Forecasting, 36(1), 75-85. doi: 10.1016/j.ijforecast.2019.03.017.
  17. Wang, Q., & Zhang, Y. (2022). Research on PM2.5 pollution prediction method in hefei city based on CNN-LSTM hybrid model. Journal of Physics: Conference Series, 2400(1), article number 012006. doi: 10.1088/1742-6596/2400/1/012006.
  18. Widiputra, H., Mailangkay, A., & Gautama, E. (2021). Multivariate CNN-LSTM model for multiple parallel financial time-series prediction. Complexity. doi: 10.1155/2021/9903518.
  19. Wu, H., Xu J., Wang J., & Longet M. (2021). Autoformer: Decomposition transformers with auto-correlation for long-term series forecasting. ArXiv. doi: 10.48550/arXiv.2106.13008.
  20. Yahoo Finance. (n.d.). Dataset historical data: GOOG stock price. Retrieved from https://finance.yahoo.com/quote/GOOG/history/.
  21. Yamak, P.T., Yujian, L., & Gadosey, P.K. (2020). A comparison between ARIMA, LSTM, and GRU for Time Series Forecasting. In Proceedings of the 2019 2nd international conference on algorithms, computing and artificial intelligence (pp. 49-55). New York: ACM. doi: 10.1145/3377713.3377722.
  22. Zhou, H., Zhang, S., Peng, J., Zhang, S., Li, J., Xiong, H., & Zhang, W. (2021). Informer: Beyond efficient transformer for long sequence time-series forecasting. Proceedings of the AAAI Conference on Artificial Intelligence, 35(12), 11106-11115. doi: 10.1609/aaai.v35i12.17325.