آمده را با سایر روش‌ها مقایسه و مورد ارزیابی قرار می‌دهیم.

سری زمانی‌ به‌ مجموعه‌ای از دادهها گفته‌ می‌ شود که‌ در طول زمان ثبت‌ شدهاند. برای مثال، می‌ توان به‌ سری زمانی‌ قیمت‌ یک‌ سهم‌ در بازار سهام، میزان بارش باران در یک‌ ناحیه‌ و ... اشاره کرد. یکی‌ از مهمترین‌ اهداف تحلیل‌ سری های زمانی‌، پیش‌ بینی‌ مقادیر آینده آن است‌. روش های آماری متعددی برای پیش‌ بینی‌ سریهای زمانی‌ مانند روش استفاده از مدل های تحلیل‌ سری زمانی‌ میانگین‌ متحرک جمع‌ بسته‌ اتورگرسیو، مدل میانگین‌ متحرک جمع‌ بسته‌ اتورگرسیو فصلی‌ و روش های تجزیه‌ موجک‌ معرفی‌ شدهاند. در کنار روش های آماری، شبکه‌های عصبی‌ نیز ابزاری قدرتمند برای پیش‌ بینی‌ سری های زمانی‌ هستند. به‌ دلیل‌ توانایی‌ شبکه‌های عصبی‌ در مدل سازی روابط‌ و الگوهای پیچیده در دادهها، پیش‌ بینی‌ سری های زمانی‌ با استفاده از آن ها بسیار مورد توجه‌ محققان حوزه های مختلف‌ قرار گرفته‌ و به‌ یک‌ موضوع تحقیقاتی‌ محبوب تبدیل‌ شده است‌. استفاده از شبکه‌های عصبی‌ پیچشی‌ برای پیش‌ بینی‌ سری های زمانی‌، به‌ عنوان یک‌ روش موثر برای تحلیل‌ و پیش‌بینی‌ الگوهای تکراری در دادههای زمانی‌، شناخته‌ شده است‌. این‌ شبکه‌ها طراحی‌ شدهاند تا الگوهای مختلف‌ را در دادههای زمانی‌ تشخیص‌ دهند و بتوانند با استفاده از این‌ الگوها، پیش‌بینی‌ های دقیقی‌ برای مقادیر آینده دادهها ارائه‌ کنند. شبکه‌های عصبی‌ بازگشتی‌ با حافظه‌ طولانی‌ کوتاه مدت (LSTM) و شبکه‌های عصبی‌ بازگشتی‌ با دروازههای بازگردان GRU، دو نوع شبکه‌ عصبی‌ هستند که‌ به‌ دلیل‌ قابلیت‌ حفظ‌ حافظه‌ در طول زمان، برای پیش‌بینی‌ سری های زمانی‌ مفید هستند. این‌ شبکه‌ها، با استفاده از یک‌ واحد حافظه‌، اطلاعات قبلی‌ را در خود نگه‌ می‌ دارند و با توجه‌ به‌ این‌ اطلاعات، پیش‌بینی‌ بعدی را انجام می‌ دهند. در این‌ پایان نامه‌، پیش‌ بینی‌ سریهای زمانی‌ با شبکه‌ عصبی‌ پیچشی‌ و شبکه‌های عصبی‌ LSTM و GRU بررسی‌ می‌ شود. عملکرد این‌ شبکه‌ها در دقت‌ پیش‌ بینی‌ مورد مقایسه‌ قرار می‌گیرد. همچنین‌ عملکرد آن ها با روش های آماری از قبیل‌ SARIMA مقایسه‌ می‌شود.کلید واژگان. پیش‌ بینی‌ سری های زمانی‌، حافظه‌ طولانی‌ کوتاهـمدت، شبکه‌های عصبی‌، شبکه‌های عصبی‌ بازگشتی‌، شبکه‌های عصبی‌ پیچشی‌، واحد بازگشتی‌ دروازهدار.