Zbornik radova Fakulteta tehničkih nauka u Novom Sadu

Elektrotehničko i računarsko inženjerstvo

God. 41 Br. 02 (2026): Зборник радова Факултета техничких наука

Примена кубернетеса и машинског учења у развоју система за временску прогнозу

  • Марко Василић
DOI:
https://doi.org/10.24867/34BE26Vasilic
Predato
February 13, 2026
Objavljeno
2026-03-09

Apstrakt

Овај рад представља развој система за предвиђање температуре у реалном времену који комбинује технологије Кубернетеса, Докера и Long Short-Term Memory (ЛСТМ) неуронских мрежа. Архитектура система заснована је на микросервисима који обухватају сервис за предвиђање, сервис за управљање подацима, графички интерфејс и сервис за заказивање задатака. Систем је имплементиран и тестиран у Minikube Кубернетес кластеру, користећи PostgreSQL базу података за чување података и Streamlit библиотеку за визуелизацију резултата. LSTM модел је обучен на реалним метеоролошким подацима и омогућава прогнозу температуре за наредних 24 сата и 7 дана. Резултати показују да интеграција Кубернетеса и машинског учења омогућава ефикасну оркестрацију и скалабилност при дизајнирању систеma. Рад представља основу за даљи развој у правцу примене у клауд окружењима и интеграције са системима за аутоматско прикупљање и обраду података. 

Reference

  1. [1] Docker (n.d.). Docker Documentation. Преузето 27.10.2025. са: https://docs.docker.com/get-started/
  2. [2] Kubernetes (n.d.). Kubernetes Documentation. Преузето 27.10.2025. са: https://kubernetes.io/docs/home
  3. [3] Ralf C. Staudemeyer, Eric Rothstein Morris (2019). Understanding LSTM -- a tutorial into Long Short-Term Memory Recurrent Neural Networks. Преузето 27.10.2025. са: https://arxiv.org/abs/1909.09586
  4. [4] Max Planck Institute for Biogeochemistry (n.d.). Weather dataset. Преузето 27.10.2025. са: https://www.bgc-jena.mpg.de/wetter/
  5. [5] Github репозиторијум, са кодом. Преузето 27.10.2025. са: https://github.com/MarkoVasilic/WeatherForecastingMinikube
  6. [6] Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536. Преузето 27.10.2025. са https://www.nature.com/articles/323533a0
  7. [7] Ralf C. Staudemeyer, Eric Rothstein Morris (2019). Understanding LSTM -- a tutorial into Long Short-Term Memory Recurrent Neural Networks. Преузето 27.10.2025.