Магістерська робота присвячена дослідженню методів прогнозування нестаціонарних самоподібних часових рядів, що засновані на дискретному вейвлет-перетворенні та нейро-нечітких моделях. У процесі досліджень було отримано залежності статистичних характеристик вейвлет-оцінок показника Херста від довжини досліджуваного ряду та вибору материнської вейвлет-функції. Досліджено вплив трендових та циклічних складових часового ряду на властивості оцінок показника Херста залежно від виду трендової компоненти та параметрів материнських вейвлет-функцій. Модифіковано метод вейвлет-оцінювання показника Херста щодо часових рядів із значними трендовими та циклічними складовими, що заснован на аналізі компонент спектра вейвлет-енергії і виділенні діапазонів частот трендової та циклічної компонент ряду. Досліджено можливість використання нейро-нечітких моделей для короткочасового прогнозування споживання електроенергії. КЛЮЧОВІ СЛОВА: САМОПОДІБНИЙ СТОХАСТИЧНИЙ ПРОЦЕС, ПОКАЗНИК ХЕРСТА, ДИСКРЕТНЕ ВЕЙВЛЕТ-ПЕРЕТВОРЕННЯ, НЕСТАЦІОНАРНИЙ ЧАСОВИЙ РЯД, ПРОГНОЗУВАННЯ, НЕЙРО-НЕЧІТКА МОДЕЛЬ In master's degree work the important research and practice task of development of methods for analyzing non-stationary self-similar fractal structure of time series based on the discrete wavelet transform is decided in the conditions of vagueness. The dependences of the statistical characteristics of wavelet Hurst exponent estimates of the length of the test series and the choice of the mother wavelet function. It is shown that wavelet estimates obtained by using different wavelet functions that have a weak linear relationship. The influence of trend and cyclical components of time series on the properties of Hurst exponent estimates, depending on the trend components and parameters of the parent wavelet functions. Based on the results of research, an approach to evaluation is based on determining the relationship of the fractal noise to a number of components and the choice of effective parameters of the wavelet function. The developed neuro-fuzzy methods can be used for the prediction of elektro-consumption. KEY WORDS: SELF-SIMILAR STOCHASTIC PROCESS, HURST, DISCRETE WAVELET TRANSFORM, NONSTATIONARY TIME SERIES, PREDICTION, NEURO-FUZZY MODEL
