MODELE ARIMA DO KRÓTKOTERMINOWEGO PROGNOZOWANIA OBCIĄŻEŃ SYSTEMÓW ELEKTROENERGETYCZNYCH
|
|
- Konrad Gajda
- 6 lat temu
- Przeglądów:
Transkrypt
1 Nr 2 (00) Rynek Energii Sr. MODELE ARIMA DO KRÓTKOTERMINOWEGO PROGNOZOWANIA OBCIĄŻEŃ SYSTEMÓW ELEKTROENERGETYCZNYCH Grzegorz Dudek Słowa kluczowe: krókoerminowe prognozowanie zaporzebowania na moc elekryczną, ARIMA Sreszczenie. Przedsawiono jednowymiarowe modele auoregresji i średniej ruchomej do sporządzania krókoerminowych prognoz zaporzebowania na moc. Szeregi czasowe obciążeń wykazują rend oraz rzy okresy wahań sezonowych: roczny, ygodniowy i dobowy, co komplikuje budowę modelu prognosycznego. W celu uproszczenia zadania szereg czasowych poddano dekompozycji sosując dwa podejścia. Pierwsze polega na wydzieleniu odrębnych szeregów dla każdej godziny doby. Drugie podejście wykorzysuje regresję lokalną (LOESS) do dekompozycji szeregu na rend, składową sezonową i błąd. Niesacjonarny charaker szeregów zdekomponowanych wymusza zasosowania zinegrowanego modelu ARMA. Dokładność proponowanych meod porównano na przykładach aplikacyjnych z dokładnością modelu oparego na sieci neuronowej.. WSTĘP Znaczenie prognozowania obciążeń w bieżącej eksploaacji sysemu elekroenergeycznego i funkcjonowaniu rynków energii przekłada się na ogromną liczbę publikacji opisujących modele prognosyczne dedykowane emu problemowi. Obok klasycznych rozwiązań wykorzysujących meody analizy saysycznej, regresji i wygładzania pojawiają się modele opare na inensywnie osanio rozwijanych meodach ineligencji obliczeniowej, uczenia maszynowego czy rozpoznawania obrazów. Hisoryczny obraz konwencjonalnych meod krókoerminowego prognozowania obciążeń elekroenergeycznych (KPOE) daje przeglądowy arykuł Grossa i Galiany z 987 roku [6]. Auorzy wyodrębniają dwie klasy modeli KPOE. Pierwsza klasa (ime-of-day models) obejmuje modele w kórych prognozowane obciążenie jes kombinacją liniową skończonej liczby funkcji czasu f i () i białego szumu ξ(): n P( ) = α f ( ) + ξ ( ), T, () i= i i gdzie T jes okresem prognozy (np. 24 h). Funkcje f i () są najczęściej sinusoidalne. Paramery modelu (wagi poszczególnych funkcji) można oszacować poprzez regresję liniową w oparciu o dane hisoryczne. Zaleą ych modeli jes czyelna srukura i prosy sposób akualizacji paramerów. Wśród wad wymienia się ograniczoną dokładność w odwzorowaniu sochasycznej naury procesu oraz ignorowanie dodakowych zmiennych objaśniających, np. pogodowych. W drugiej klasie modeli (dymanic models) obok funkcji czasu wprowadza się zmienne objaśniające związane z zachowaniem przebiegu czasowego obciążeń w przeszłości, czynników pogodowych i losowych. Popularnymi reprezenanem ej klasy są modele auoregresyjne, kórych ogólna posać zawiera dwa składniki. Pierwszy składnik wyraża udział w obciążeniu czynników zależnych od czasu w normalnych warunkach pogodowych dla określonego dnia prognozy. Komponen en może być reprezenowany przez sumę funkcji periodycznych (). Drugi składnik jes addyywnym wyrażeniem reszowym opisującym odchylenia od spodziewanego przebiegu obciążenia spowodowane odchyleniami warunków pogodowych od normalnych oraz czynnikami losowymi. Komponen reszowy można zamodelować procesem auoregresji i średniej ruchomej posaci [6]: p J ai y( i) + bku j ( k) + y( ) = c ξ ( l),(2) i= j= k= l= r gdzie: a i, b k, c l, p, q i r są paramerami modelu, u j (), j =, 2,, J reprezenuje wejścia zależne od czynników pogodowych (funkcje odchyleń zmiennych pogodowych: emperaury amosferycznej, wilgoności, nasłonecznienia, opadów, od ich warości normalnych w chwili ), a ξ() jes procesem losowym o zerowej średniej, kóry pozwala uwzględnić sochasyczny charaker przebiegu obciążeń. Paramery a i, b k, c l oraz p, q i r (paramery rzędu) idenyfikowane są przez dopasowanie modelu do danych hisorycznych. Rzędy modelu dobiera się analizując funkcje auokorelacji i auokorelacji cząskowej. q l
2 Sr. 2 Rynek Energii Nr 2 (00) Ponieważ szeregi czasowe obciążeń z reguły są niesacjonarne, aby zasosować model auoregresji i średniej ruchomej bezpośrednio do modelowania ych szeregów przekszałca się je na sacjonarne poprzez różnicowanie (szeregi zinegrowane). Auoregresyjne modele z powodzeniem sosowane są w KPOE do dzisiaj, częso w połączeniu z innymi meodami. Np. w [5] zasosowano periodyczny model auoregresyjny (PAR) rozbijając równanie auoregresji na indywidualne równania dla każdej godziny doby i wprowadzając zmienne egzogeniczne reprezenujące dzień ygodnia, miesiąc kalendarzowy i emperaury amosferyczne. Dekompozycję modelu auoregresyjnego na poszczególne godziny doby zasosowano akże w [2]. Model prognosyczny sanowi uaj kombinację funkcji sinusoidalnych i resz modelowanych procesem auoregresyjnym. Dwusopniową procedurę prognosyczną zaproponowano w [0]. W pierwszym kroku usuwa się sezonowości i rend używając meody średniej ruchomej. Orzymany w wyniku komponen sochasyczny będący realizacją procesu sacjonarnego modeluje się za pomocą meody ARMA. Złożenie prognozy komponenu sochasycznego z rendem i komponenem sezonowym daje prognozę obciążenia. W [2] opisano auoregresyjny model z gładkim przejściem (smooh ransiion periodic auoregressive STPAR), gdzie sezonowość wyrażają wagi sojące przy zmiennych opóźnionych. Wagi wyznacza się z sumy funkcji sinusoidalnych o okresach odpowiadających okresowi dobowemu i ygodniowemu. Dodakowy składnik modelu, wyrażony za pomocą funkcji logisycznej, pozwala uwzględniać nieliniowy wpływ zmiennych egzogenicznych. W [] do esymacji paramarów modelu auoregresyjnego ze zmiennymi pogodowymi (emperaurą i prędkością wiaru), kóry konsruowano dla każdej prognozowanej warości obciążenia godzinowego, użyo filru Kalmana. W [4] zaproponowano samorganizujący się rozmyy model ARMAX, gdzie do doboru zmiennych wejściowych, opymalnego podziału przesrzeni rozmyych i doboru funkcji przynależności użyo programowania ewolucyjnego. Hybrydową meodę opymalizacji oparą na algorymach ewolucyjnych i algorymie roju cząsek do idenyfikacji paramerów modelu ARMAX w zadaniu KPOE opisano w [7]. W [9] połączono model ARIMA z ransformacją falkową. W podejściu ym oryginalny szereg czasowy dekomponuje się na kilka szeregów składowych o różnej rozdzielczości przy pomocy schemau lifingu (lifing scheme). Schema lifingu pozwala wydobyć ineresujące charakerysyki oryginalnego szeregu (elemeny srukuralne). Problemy konsrukcji modeli auoregresji i średniej ruchowej w konekście prognozowania obciążeń elekroenergeycznych omówiono szczegółowo w monografii [3]. W ym arykule opisano jednowymiarowe modele ARIMA działające na zdekomponowanych szeregach czasowych obciążeń sysemów elekroenergeycznych. W jednowymiarowych modelach szegów czasowych o przebiegu zmiennej wnioskuje się jedynie na podsawie hisorycznych obserwacji ej zmiennej. Budowa akich modeli jes uzasadniona, gdy isnieją powiązania pomiędzy obserwacjami zmiennej prognozowanej w różnych okresach. Zaprezenowano dwa sposoby dekompozycji szeregów czasowych. Pierwszy polega na rozbiciu szereg czasowego na odrębne szeregi dla każdej godziny doby, a drugi wykorzysuje regresję lokalną do dekompozycji szeregu na rend, składową sezonową i błąd. 2. MODELE ARIMA Do prognozowania szeregów czasowych obciążeń, kóre wykazują niesacjonarność i wielosezonowość, używa się zinegrowanych sezonowych modeli auoregresji i średniej ruchomej. W modelach do prognoz krókoerminowych zwykle nie uwzględnia się sezonowości rocznej, wykorzysując do esymacji modelu fragmen szeregu czasowego o znacznie mniejszej długości niż okres roczny. Rzadko akże spoyka się modele z podwójną sezonowością ygodniową i dobową, z uwagi na kombinaoryczny problem doboru rzędów modelu, kóry przybiera znaczne rozmiary dla modeli z wieloma cyklami sezonowymi. Częściej szereg czasowy obciążeń dekomponuje się i komponeny, wykazujące mniejszą złożoność niż szereg oryginalny, prognozuje się niezależnie. Takie podejście zasosowano np. w [0], gdzie szereg zdekomponowano na składową sezonową, rend i składową sochasyczną, w [9], gdzie do dekompozycji na szeregi o różnej rozdzielczości wykorzysano ransformację falkową i w [2], gdzie zdefiniowano odrębne szeregi czasowe dla każdej godziny doby. Ten osani sposób dekompozycji zasosowano również uaj. Definiuje się 24 szeregi czasowe obciążeń sysemu w ej samej godzinie doby. Dzięki emu zabiegowi eliminuje się sezonowość dobową. Do niezależnego modelowania ych szeregów wykorzysuje się zinegrowany sezonowy model auoregresji i średniej ruchomej ARIMA(p, d, q) (P, D, Q) m : m m D Φ ( B ) φ ( B)( B ) ( B) y = c + Θ( B ) θ ( B) ξ,(3) gdzie: y o wyrazy szeregu czasowego, ξ jes d m
3 Nr 2 (00) Rynek Energii Sr. 3 procesem białego szumu z zerową średnią i wariancją σ 2, m jes długością cyklu ygodniowego (68 h), B jes operaorem przesunięcia wsecz, d i D o rzędy różnicowania (zwykłego i sezonowego), φ(.), Φ(.), θ(.) i Θ(.) są odpowiednio wielomianami sopnia p, q, P i Q, a c jes sałą. Współczynniki i rzędy modelu ARIMA esymowano w auomaycznej procedurze opisanej w [8] i zaimplemenowanej w pakiecie forecas w środowisku R []. Rzędy różnicowania d i D dobiera się uaj sosując es pierwiasków jednoskowych (KPSS uni-roo es) oraz rozszerzony es Canovy- Hansena. Rzędy p, P, q i Q wyznacza się przeszukując w sposób zachłanny przesrzeń modeli w ooczeniu akualnych warości ych paramerów. Kryerium informacyjne Akaikego (AIC), zależne od dopasowania modelu do danych uczących i sopnia jego złożoności (liczby paramerów), służy do oceny modeli w ym procesie. Współczynniki wielomianów φ(.), Φ(.), θ(.) i Θ(.) esymuje się meodą największej wiarygodności. W badaniach symulacyjnych paramery modelu ARIMA esymowano na 2- ygodniowych fragmenach szeregu czasowego obciążeń bezpośrednio poprzedzających momen prognozy. Wysępujące w ych szeregach uczących przebiegi dni nieypowych zasępowano przebiegami przesunięymi o ydzień wsecz. Drugi zasosowany uaj sposób dekompozycji pozwala uprościć model do posaci ARIMA(p, d, q): d φ ( B)( B) y = c + θ( B) ξ, (4) dekompozycji na rend, składową sezonową oraz składową reszową za pomocą meody STL oparej na ważonym lokalnym wygładzaniu (LOESS) opisanej szczegółowo w [3]. Procedura dekompozycji STL jes ieracyjna i polega na naprzemiennej esymacji rendu oraz składnika sezonowego. Składnik sezonowy rozbijany jes na n podszeregów, gdzie n jes liczbą obserwacji w jednym cyklu. Podszereg i-y złożony jes z obserwacji wysępujących na i-ej pozycji w kolejnych cyklach. Podszeregi wygładzane są niezależnie, podobnie jak rend. Sosowana do wygładzania meoda LOESS esymuje krzywą regresji w każdym punkcie szeregu czasowego w oparciu o punky chronologicznie najbliższe, ważąc ich udziały zależnie od ich odległości czasowej od esymowanego punku. Wagi uzależnia się akże od warości składnika reszowego w danym punkcie. Do arakcyjnych cech STL zalicza się odporność na dane odsające i brakujące, możliwość dekompozycji szeregów czasowych z sezonowością o dowolnej częsoliwości oraz możliwość implemenacji z wykorzysaniem meod numerycznych zamias modelowania maemaycznego. Dekompozycję fragmenu szeregu czasowego obciążeń KSE zilusrowano na rys.. Po wykonaniu dekompozycji szereg zdesezonowany (po odjęciu składowej sezonowej) prognozuje się na nasępny okres (np. dobowy lub ygodniowy) używając niesezonowego modelu ARIMA. Nasępnie do ej prognozy dodaje się wygładzoną składową sezonową z osaniego okresu danych hisorycznych. Szereg czasowy poddaje się addyywnej remainder rend seasonal daa ime Rys.. Dekompozycja szeregu czasowego obciążeń meodą STL
4 Sr. 4 Rynek Energii Nr 2 (00) BADANIA SYMULACYJNE Opisane powyżej modele ARIMA przeesowano w zadaniach prognozowania dobowych przebiegów godzinowych obciążeń z wyprzedzeniem do 7 dni. Eksperymeny przeprowadzono na kilku zbiorach danych: KSE obciążenia godzinowe KSE w laach Próba esowa obejmowała dane z roku 2004 z wyjąkiem rzynasu dni nieypowych. SL obciążenia godzinowe sysemu lokalnego w okresie lipiec 200 grudzień 2002 (średnie obciążenie ok. 200 MW). Próba esowa obejmowała dane z okresu lipiec grudzień 2002 z wyjąkiem ośmiu dni nieypowych. SL2 obciążenia godzinowe sysemu lokalnego w okresie (średnie obciążenie ok. 300 MW). Próba esowa obejmowała dane z roku 200 z wyjąkiem rzynasu dni nieypowych. Szeregi czasowe SL i SL2 są bardziej nieregularne niż KSE. Miarą nieregularności szeregu czasowego obciążeń elekroenergeycznych może być błąd prognozy naiwnej posaci: przebieg obciążenia w dniu i jes aki sam jak w dniu i 7. Błędy MAPE prognoz naiwnych wynosiły: dla KSE 3,43%, dla SL 4,96, a dla SL2 6,62%. Dokładność modeli ARIMA porównano z dokładnością modelu oparego na sieci neuronowej ypu wielowarswowy percepron (WP). Sieć uczy się odwzorowania obrazów wejściowych na składowe obrazów prognoz (przyjęo definicje obrazów (3) i (0) z [4]). Sieć uczona jes lokalnie, zn. na zbiorze uczącym złożonym z k = 2 najbliższych sąsiadów esowego obrazu wejściowego, reprezenujących en sam dzień ygodnia co obraz esowy. Dla każdego zadania prognosycznego (prognoza obciążenia w godzinie doby j) buduje się odrębną sieć. Aby zapobiec przeuczeniu sieci zasosowano algorym uczenia Levenberga-Marquarda z regularyzacją bayesowską, gdzie minimalizowana jes kombinacja liniowa błędu kwadraowego i kwadraów wag. Ponieważ funkcja regresji modelowana jes lokalnie, z wykorzysaniem niewielkiej liczby punków uczących, należy się spodziewać raczej prosej posaci ej funkcji, co implikuje niewielką liczbę neuronów. W badaniach wsępnych esowano sieci z różną liczbą neuronów. Jako opymalną wybrano sieć z jednym neuronem z sigmoidalną bipolarną funkcją akywacji. W ab. zesawiono wyniki prognoz dla horyzonu jednodobowego średni procenowy błąd absoluny (MAPE), odchylenie sandardowe MAPE, średni błąd procenowy (MPE) i odchylenie sandardowe MPE. Model z dekompozycją na 24 szeregi czasowe reprezenujące obciążenia w ych samych godzinach doby oznaczono symbolem ARIMA, naomias model z dekompozycją STL oznaczono symbolem ARIMA2. Tłusym drukiem w ab. oznaczono warości MPE nie różniące się isonie od zera, kóre wskazują na nieobciążenie prognoz. Na rys. 2 pokazano dysrybuany błędów. Najmniejsze błędy MAPE dla danych KSE i SL2 wykazała sieć neuronowa, naomias dla danych SL2 model ARIMA2. Aby odpowiedzieć na pyanie czy różnice pomiędzy błędami APE prognoz wygenerowanych przez analizowane modele są isone saysycznie użyo esów nieparamerycznych (błędy APE nie mają rozkładu normalnego): esu znaków do weryfikacji hipoezy zerowej, że różnice błędów mają zerową medianę oraz esu Wilcoxona do weryfikacji hipoezy, że rozkłady błędów mają jednakowe mediany. Tesy przeprowadzono dla każdej pary modeli. Poza przypadkiem ARIMA, ARIMA2 dla SL2 esy pozwoliły odrzucić hipoezy zerowe. Błędy prognoz dla horyzonów od do 7 dni pokazano na rys. 3. Przy zwiększaniu horyzonu prognozy obserwuje się szybszy wzros błędu modelu WP niż modeli ARIMA. Waro zwrócić uwagę, że przy najdłuższych horyzonach modele przesają być konkurencyjne w sosunku do meod naiwnych. Tabela Wyniki prognoz Model KSE SL SL2 σ MAPE MPE s σ MPE σ MAPE MPE s σ MPE σ MAPE MPE s σ MPE ARIMA,82 2,20 0,0005 0,0303 3,4 4,02 0,0038 0,0598 3,93 5,8-0,0024 0,0664 ARIMA2,9 2,9-0,0024 0,0306 2,89 3,60 0,0008 0,054 3,93 5,59-0,0053 0,0694 WP,5,93 0,00 0,0245 3,39 4,59 0,0030 0,0570 3,0 3,85 0,0002 0,0489
5 Nr 2 (00) Rynek Energii Sr. 5 KSE SL SL F( ) ARIMA 0.2 ARIMA2 WP F( ) F( ) Rys. 2. Dysrybuany błędów. 4 KSE 6 SL 7 SL ARIMA 2 ARIMA2 WP Horyzon Horyzon Rys. 3. Błędy w zależności od horyzonu prognozy Horyzon 4. PODSUMOWANIE W ej pracy przedsawiono klasyczne jednowymiarowe modele ARIMA do krókoerminowego prognozowania obciążeń sysemów elekroenergeycznych. Aby uprościć problem szeregi czasowe obciążeń zdekomponowano używając dwóch meod. Według pierwszej meody definiuje się 24 szeregi reprezenujące obciążenia w ej samej godzinie doby. Do prognozowania ych szeregów używa się 24 sezonowych modeli ARIMA. Drugi sposób dekompozycji rozbija szereg na składowe: rendu, sezonową i reszową. Za pomocą modelu ARIMA (bez sezonowości) prognozuje się szereg zdesezonowany. Dla szeregu KSE obydwa sposoby dekompozycji dawały zbliżone rezulay. Pozosałe szeregi były dokładniej modelowane przy wykorzysaniu drugiego sposobu dekompozycji. Dla krókich horyzonów czasowych i szeregów KSE oraz SL2 modele ARIMA wykazały znacznie gorsze rezulay od sieci neuronowej działającej na obrazach dobowych cykli szeregów obciążeń. Przy dłuższych horyzonach dokładność modeli ARIMA poprawia się w sosunku do sieci neuronowej, a nawe ją przewyższa. Należy jednak zauważyć, że ARIMA pozwala modelować jedynie liniowe zależności, podczas gdy sieci neuronowe są uniwersalnymi aproksymaorami. Ma o isone znaczenie w przypadku modeli wielowymiarowych ze zmiennymi pogodowymi, kórych wpływ na obciążenie wyrażają nieliniowe zależności. Problem doboru rzędów modelu ARIMA i esymacja jego paramerów jes zadaniem dość złożonym, kóry rozwiązano uaj sosując auomayczną procedurę zaimplemenowaną w środowisku R. Z uwagi na heurysyczne procedury przeszukiwania przesrzeni modeli nie ma jednak gwarancji, że użye modele ARIMA są opymalne. Podobny problem wysępuje w sieciach neuronowych, gdzie dobiera się heurysycznie paramery srukuralne (liczbę neuronów) i w odrębnej procedurze paramery wewnęrzne (wagi) korzysając z gradienowych meod opymalizacji lokalnej. W obydwu modelach konrolowano złożoność: za pomocą kryerium AIC w ARIMA i regularyzacji bayesowskiej w wielowarswowym percepronie. Skukowało o oszczędniejszymi srukuralnie modelami, co implikuje redukcję błędu generalizacji. Praca naukowa finansowana ze środków na naukę w laach jako projek badawczy nr N N LITERATURA [] Al-Hamadi H.M., Soliman S.A.: Shor-Term Elecric Load Forecasing Based on Kalman Filering Algorihm wih Moving Window Weaher And Load Model. Elecric Power Sysems Research 68, pp , 2004.
6 Sr. 6 Rynek Energii Nr 2 (00) [2] Amaral L.F., Souza R.C., Sevenson M.: A Smooh Transiion Periodic Auoregressive (STPAR) Model for Shor-Term Load Forecasing. Inernaional Journal of Forecasing 24, pp , [3] Cleveland R.B., Cleveland W.S., McRae J.E., Terpenning I.: STL: A Seasonal-Trend Decomposiion Procedure Based on Loess. Journal of Official Saisics, Vol. 6, No., pp. 3-73, 990. [4] Dudek G.: Przewarzanie danych w oparych na podobieńswie meodach prognozowania przebiegów dobowych zaporzebowania na moc elekryczną. Przegląd Elekroechniczny, r. 82, nr 9, sr. 5-9, [5] Espinoza M., Joye C., Belmans R., De Moor B.: Shor-Term Load Forecasing, Profile Idenificaion, and Cusomer Segmenaion: A Mehodology Based on Periodic Time Series. IEEE Transacions on Power Sysems, Vol. 20 (3), pp , [6] Gross G., Galiana F.D.: Shor-Term Load Forecasing. Proceedings of he IEEE, Vol. 75, No. 2, pp , 987. [7] Huang C.-M., Huang C.-J., Wang M.-L.: A Paricle Swarm Opimizaion o Idenifying he ARMAX Model for Shor-Term Load Forecasing. IEEE Transacions on Power Sysems, Vol. 20 (2), pp , [8] Hyndman R.J., Khandakar Y.: Auomaic Time Series Forecasing: The Forecas Package for R. Journal of Saisical Sofware, Vol. 27, issue 3, [9] Lee C.-M., Ko C.-N.: Shor-Term Load Forecasing using Lifing Scheme and ARIMA Models. Exper Sysems wih Applicaions 38, pp , 20. [0] Nowicka-Zagrajek J., Weron R.: Modeling Elecriciy Loads in California: ARMA Models wih Hyperbolic Noise. Signal Processing 82, pp , [] R Developmen Core Team: R: A Language and Environmen for Saisical Compuing. R Foundaion for Saisical Compuing, Vienna, Ausria. URL hp: // [2] Soares L.J., Medeiros M.C.: Modeling and Forecasing Shor-Term Elecriciy Load: A Comparison of Mehods wih an Applicaion o Brazilian Daa. Inernaional Journal of Forecasing 24, pp , [3] Weron R.: Modeling and Forecasing Elecriciy Loads and Prices. Wiley [4] Yang H.T., Huang C.M.: A New Shor-Term Load Forecasing Approach using Self-Organizing Fuzzy ARMAX Models. IEEE Transacions on Power Sysems, Vol. 8 (2), pp , ARIMA MODELS FOR SHORT-TERM LOAD FORECASTING Key words: shor-erm load forecasing, ARIMA Summary. Univariae auoregressive moving average models for shor-erm load forecasing are presened. Load ime series show a rend and hree seasonal paerns: annual, weekly and daily, which complicae he forecasing model consrucion. To simplify he forecasing problem ime series were decomposed using wo approaches. The firs one consiss in he decomposiion a ime series ino separae series for each hour of a day. The second approach uses a local regression (LOESS) o decompose series ino rend, seasonal componen and error. Nonsaionariy of he decomposed ime series requires using an inegraed ARMA model. The accuracy of he proposed mehods were compared on applicaion examples wih an accuracy of he model based on neural nework. Grzegorz Dudek, (ur. w 969 r.) yuł magisra inżyniera (994 r.) i dokora nauk echnicznych (2003 r.) w dziedzinie elekroechniki uzyskał na Poliechnice Częsochowskiej. Od 994 r. pracuje w Insyucie Elekroenergeyki P.Cz. jako pracownik naukowo-dydakyczny. Jego zaineresowania naukowe skupiają się wokół meod rozpoznawania obrazów i szucznej ineligencji oraz ich zasosowań w elekroenergeyce (prognozowanie zaporzebowania, rozdział obciążeń, problemy opymalizacyjne). Dudek@el.pcz.czes.pl.
1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoPROGNOZOWANIE. Ćwiczenia 2. mgr Dawid Doliński
Ćwiczenia 2 mgr Dawid Doliński Modele szeregów czasowych sały poziom rend sezonowość Y Y Y Czas Czas Czas Modele naiwny Modele średniej arymeycznej Model Browna Modele ARMA Model Hola Modele analiyczne
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoPrognozowanie średniego miesięcznego kursu kupna USD
Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Regresja pozorna 2. Funkcje ACF i PACF 3. Badanie sacjonarności Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) 2 1. Regresja pozorna 2. Funkcje
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 4
Sanisław Cichocki Naalia Nehrebecka Wykład 4 1 1. Badanie sacjonarności: o o o Tes Dickey-Fullera (DF) Rozszerzony es Dickey-Fullera (ADF) Tes KPSS 2. Modele o rozłożonych opóźnieniach (DL) 3. Modele auoregresyjne
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoPREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW
Bardziej szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoStudia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 2083-8611 Nr 219 2015
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 2083-86 Nr 29 205 Alicja Ganczarek-Gamro Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Kaedra Demografii
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 3
Sanisław Cichocki Naalia Nehrebecka Wykład 3 1 1. Zmienne sacjonarne 2. Zmienne zinegrowane 3. Regresja pozorna 4. Funkcje ACF i PACF 5. Badanie sacjonarności Tes Dickey-Fullera (DF) 2 1. Zmienne sacjonarne
Bardziej szczegółowoOcena efektywności procedury Congruent Specyfication dla małych prób
243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji
Bardziej szczegółowoPrognozowanie i symulacje
Prognozowanie i smulacje Lepiej znać prawdę niedokładnie, niż dokładnie się mlić. J. M. Kenes dr Iwona Kowalska ikowalska@wz.uw.edu.pl Prognozowanie meod naiwne i średnie ruchome Meod naiwne poziom bez
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoDRZEWA REGRESYJNE I LASY LOSOWE JAKO
DRZEWA REGRESYJNE I LASY LOSOWE JAKO NARZĘDZIA PREDYKCJI SZEREGÓW CZASOWYCH Z WAHANIAMI SEZONOWYMI Grzegorz Dudek Instytut Informatyki Wydział Elektryczny Politechnika Częstochowska www.gdudek.el.pcz.pl
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoMetody analizy i prognozowania szeregów czasowych
Meody analizy i prognozowania szeregów czasowych Wsęp 1. Modele szeregów czasowych 2. Modele ARMA i procedura Boxa-Jenkinsa 3. Modele rendów deerminisycznych i sochasycznych 4. Meody dekompozycji szeregów
Bardziej szczegółowoWYKORZYSTANIE TEORII CHAOSU ZDETERMINOWANEGO W PROGNOZOWANIU KROKOWYM ROCZNEGO ZUŻYCIA ENERGII ELEKTRYCZNEJ PRZEZ ODBIORCÓW WIEJSKICH
INFRASTRUKTURA I EKOLOGIA TERENÓW WIEJSKICH Nr 2/2005, POLSKA AKADEMIA NAUK, Oddział w Krakowie, s. 121 128 Komisja Technicznej Infrasrukury Wsi Małgorzaa Trojanowska WYKORZYSTANIE TEORII CHAOSU ZDETERMINOWANEGO
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
Bardziej szczegółowoNiestacjonarne zmienne czasowe własności i testowanie
Maeriał dla sudenów Niesacjonarne zmienne czasowe własności i esowanie (sudium przypadku) Nazwa przedmiou: ekonomeria finansowa I (22204), analiza szeregów czasowych i prognozowanie (13201); Kierunek sudiów:
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych
dr Joanna Perzyńska adiunk w Kaedrze Zasosowań Maemayki w Ekonomii Wydział Ekonomiczny Zachodniopomorski Uniwersye Technologiczny w Szczecinie Zasosowanie szucznych sieci neuronowych do prognozowania szeregów
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Gdański Zasosowanie modelu
Bardziej szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoMODEL CZASU OBSŁUGI NAZIEMNEJ STATKU POWIETRZNEGO
KIERZKOWSKI Arur 1 Transpor loniczy, szeregi czasowe, eksploaacja, modelowanie MODEL CZASU OBSŁUGI NAZIEMNEJ STATKU POWIETRZNEGO W referacie przedsawiono probabilisyczny model czasu obsługi naziemnej saku
Bardziej szczegółowoĆwiczenie 5 PROGNOZOWANIE
Ćwiczenie 5 PROGNOZOWANIE Prognozowanie jest procesem przewidywania przyszłych zdarzeń. Obszary zastosowań prognozowania obejmują np. analizę danych giełdowych, przewidywanie zapotrzebowania na pracowników,
Bardziej szczegółowoZastosowanie predykcji sygnału odchylenia regulacyjnego do centralnej regulacji mocy czynnej i częstotliwości w systemie elektroenergetycznym
INSTYTUT AUTOMATYKI SYSTEMÓW ENERGETYCZNYCH Zasosowanie predykcji sygnału odchylenia regulacyjnego do cenralnej regulacji mocy czynnej i częsoliwości w sysemie elekroenergeycznym Prof. dr hab. inż. Tadeusz
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 5
Sanisław Cichocki Naalia Nehrebecka Wkład 5 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA 2 . Proces AR 2. Proces MA 3. Modele ARMA 4. Prognozowanie za pomocą modelu ARMA
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2015, 323(81)4,
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 205, 323(8)4, 25 32 Joanna PERZYŃSKA WYBRANE MIERNIKI TRAFNOŚCI PROGNOZ EX POST W WYZNACZANIU PROGNOZ
Bardziej szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1
ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,
Bardziej szczegółowoψ przedstawia zależność
Ruch falowy 4-4 Ruch falowy Ruch falowy polega na rozchodzeniu się zaburzenia (odkszałcenia) w ośrodku sprężysym Wielkość zaburzenia jes, podobnie jak w przypadku drgań, funkcją czasu () Zaburzenie rozchodzi
Bardziej szczegółowoOptymalizacja przy pomocy roju cząstek bazy reguł klasyfikatora rozmytego
GŁUSZEK Adam 1 GORZAŁCZANY Marian B. 2 RUDZIŃSKI Filip 3 Opymalizacja przy pomocy roju cząsek bazy reguł klasyfikaora rozmyego WSTĘP Na przesrzeni osanich kilkunasu la obserwujemy inensywny rozwój w zakresie
Bardziej szczegółowoElżbieta Szulc Uniwersytet Mikołaja Kopernika w Toruniu. Modelowanie zależności między przestrzennoczasowymi procesami ekonomicznymi
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyk Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoEkonometryczne modele nieliniowe. Wykład 7 Modele łagodnego przejścia, sieci neuronowe w ekonometrii
Ekonomerycne modele nieliniowe Wykład 7 Modele łagodnego prejścia, sieci neuronowe w ekonomerii Lieraura Timo Teräsvira, Specificaion, Esimaion, and Evaluaion of Smooh Transiion Auoregressive Models, Journal
Bardziej szczegółowoWAHANIA NATĘśEŃ RUCHU DROGOWEGO NA SIECI DRÓG MIEJSKICH
dr hab. inŝ. Kazimierz Kłosek Prof. nzw. Poliechniki Śląskiej, Kierownik Kaedry Dróg i Mosów dr inŝ. Anna Olma Wydział Budownicwa Poliechniki Śląskiej Gliwice, Polska WAHANIA NATĘśEŃ RUCHU DROGOWEGO NA
Bardziej szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowoMETODA OKREŚLANIA WIELKOŚCI KONTRAKTÓW NA ENERGIĘ ELEKTRYCZNĄ
B A D A N I A O P E R A C Y J N E I D E C Y Z J E Nr 3 2009 Barbara GŁADYSZ* METODA OKREŚLANIA WIELKOŚCI KONTRAKTÓW NA ENERGIĘ ELEKTRYCZNĄ W arykule zaproponowano meodę określania wielkości konraków na
Bardziej szczegółowoCechy szeregów czasowych
energecznch Cech szeregów czasowch Rozdział Modelowanie szeregów czasowch 7 proces deerminisczn proces kórego warość może bć preczjnie określona w dowolnm czasie =T+τ = a +b T T+τ czas = sin(ω) T T+τ czas
Bardziej szczegółowoMODELE PROGNOSTYCZNE SPRZEDAśY ENERGII ELEKTRYCZNEJ ODBIORCOM WIEJSKIM OPARTE NA WYMIARZE FRAKTALNYM, LOGISTYCZNE I KRZYśOWANIA HEURYSTYCZNEGO
InŜynieria Rolnicza 11/2006 Małgorzaa Trojanowska Kaedra Energeyki Rolniczej Akademia Rolnicza w Krakowie MODELE PROGNOSTYCZNE SPRZEDAśY ENERGII ELEKTRYCZNEJ ODBIORCOM WIEJSKIM OPARTE NA WYMIARZE FRAKTALNYM,
Bardziej szczegółowoMETODY STATYSTYCZNE W FINANSACH
METODY STATYSTYCZNE W FINANSACH Krzyszof Jajuga Akademia Ekonomiczna we Wrocławiu, Kaedra Inwesycji Finansowych i Ubezpieczeń Wprowadzenie W osanich kilkunasu laach na świecie obserwuje się dynamiczny
Bardziej szczegółowoAnaliza danych DRZEWA DECYZYJNE. Drzewa decyzyjne. Entropia. http://zajecia.jakubw.pl/ test 1 dopełnienie testu 1
Analiza danych Drzewa decyzyjne. Enropia. Jakub Wróblewski jakubw@pjwsk.edu.pl hp://zajecia.jakubw.pl/ DRZEWA DECYZYJNE Meoda reprezenacji wiedzy (modelowania ablic decyzyjnych). Pozwala na przejrzysy
Bardziej szczegółowoSYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE
SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne
Bardziej szczegółowo4.2. Obliczanie przewodów grzejnych metodą dopuszczalnego obciążenia powierzchniowego
4.. Obliczanie przewodów grzejnych meodą dopuszczalnego obciążenia powierzchniowego Meodą częściej sosowaną w prakyce projekowej niż poprzednia, jes meoda dopuszczalnego obciążenia powierzchniowego. W
Bardziej szczegółowoMODELE AUTOREGRESYJNE JAKO INSTRUMENT ZARZĄDZANIA ZAPASAMI NA PRZYKŁADZIE ELEKTROWNI CIEPLNEJ
Agaa MESJASZ-LECH * MODELE AUTOREGRESYJNE JAKO INSTRUMENT ZARZĄDZANIA ZAPASAMI NA PRZYKŁADZIE ELEKTROWNI CIEPLNEJ Sreszczenie W arykule przedsawiono wyniki analizy ekonomerycznej miesięcznych warości w
Bardziej szczegółowoMetody ilościowe w systemie prognozowania cen produktów rolnych. Mariusz Hamulczuk Cezary Klimkowski Stanisław Stańko
Meody ilościowe w sysemie prognozowania cen produków rolnych nr 89 2013 Mariusz Hamulczuk Cezary Klimkowski Sanisław Sańko Meody ilościowe w sysemie prognozowania cen produków rolnych Meody ilościowe
Bardziej szczegółowoStrukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym
Jacek Baóg Uniwersye Szczeciński Srukuralne podejście w prognozowaniu produku krajowego bruo w ujęciu regionalnym Znajomość poziomu i dynamiki produku krajowego bruo wyworzonego w poszczególnych regionach
Bardziej szczegółowoPUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Chrisian Lis PUNKTOWA I PRZEDZIAŁOWA PREDYKCJA PRZEWOZÓW PASAŻERÓW W ŻEGLUDZE PROMOWEJ NA BAŁTYKU W LATACH 2008 2010 Wprowadzenie Przedmioem
Bardziej szczegółowoRównoległy algorytm analizy sygnału na podstawie niewielkiej liczby próbek
Nauka Zezwala się na korzysanie z arykułu na warunkach licencji Creaive Commons Uznanie auorswa 3.0 Równoległy algorym analizy sygnału na podsawie niewielkiej liczby próbek Pior Kardasz Wydział Elekryczny,
Bardziej szczegółowoCałka nieoznaczona Andrzej Musielak Str 1. Całka nieoznaczona
Całka nieoznaczona Andrzej Musielak Sr Całka nieoznaczona Całkowanie o operacja odwrona do liczenia pochodnych, zn.: f()d = F () F () = f() Z definicji oraz z abeli pochodnych funkcji elemenarnych od razu
Bardziej szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
Bardziej szczegółowoPOZYCJONOWANIE I NADĄŻANIE MINIROBOTA MOBILNEGO M.R.K
MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 37, s. 97-104, Gliwice 2009 POZYCJONOWANIE I NADĄŻANIE MINIROBOTA MOBILNEGO M.R.K MARIUSZ GIERGIEL, PIOTR MAŁKA Kaedra Roboyki i Mecharoniki, Akademia Górniczo-Hunicza
Bardziej szczegółowoSZACOWANIE MODELU RYNKOWEGO CYKLU ŻYCIA PRODUKTU
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2 2006 Bogusław GUZIK* SZACOWANIE MODELU RNKOWEGO CKLU ŻCIA PRODUKTU Przedsawiono zasadnicze podejścia do saysycznego szacowania modelu rynkowego cyklu
Bardziej szczegółowoModelowanie i analiza szeregów czasowych
Modelowanie i analiza szeregów czasowych Małgorzaa Doman Plan zajęć Część. Modelowanie szeregów jednowymiarowych.. Szeregi jednowymiarowe własności i diagnozowanie. Modele auoregresji i średniej ruchomej
Bardziej szczegółowoEfekty agregacji czasowej szeregów finansowych a modele klasy Sign RCA
Joanna Górka * Efeky agregacji czasowej szeregów finansowych a modele klasy Sign RCA Wsęp Wprowadzenie losowego parameru do modelu auoregresyjnego zwiększa możliwości aplikacyjne ego modelu, gdyż pozwala
Bardziej szczegółowoPROGNOZOWANIE GENERACJI WIATROWEJ Z WYKORZYSTANIEM METOD LOKALNYCH I REGRESJI NIELINIOWEJ
Nr 2(111) - 2014 Rynek Energii Sr. 61 PROGNOZOWANIE GENERACJI WIATROWEJ Z WYKORZYSTANIEM METOD LOKALNYCH I REGRESJI NIELINIOWEJ Tymoeusz Hossa, Wiolea Sokołowska, Karol Fabisz, Agaa Filipowska Słowa kluczowe:
Bardziej szczegółowoZajęcia 2. Estymacja i weryfikacja modelu ekonometrycznego
Zajęcia. Esmacja i werfikacja modelu ekonomercznego Celem zadania jes oszacowanie liniowego modelu opisującego wpłw z urski zagranicznej w danm kraju w zależności od wdaków na urskę zagraniczną i liczb
Bardziej szczegółowo2.1 Zagadnienie Cauchy ego dla równania jednorodnego. = f(x, t) dla x R, t > 0, (2.1)
Wykład 2 Sruna nieograniczona 2.1 Zagadnienie Cauchy ego dla równania jednorodnego Równanie gań sruny jednowymiarowej zapisać można w posaci 1 2 u c 2 2 u = f(x, ) dla x R, >, (2.1) 2 x2 gdzie u(x, ) oznacza
Bardziej szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowoĆWICZENIE NR 43 U R I (1)
ĆWCZENE N 43 POMY OPO METODĄ TECHNCZNĄ Cel ćwiczenia: wyznaczenie warości oporu oporników poprzez pomiary naężania prądu płynącego przez opornik oraz napięcia na oporniku Wsęp W celu wyznaczenia warości
Bardziej szczegółowoPROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 15 Barbara Baóg Iwona Foryś PROGNOZOWANIE ZUŻYCIA CIEPŁEJ I ZIMNEJ WODY W SPÓŁDZIELCZYCH ZASOBACH MIESZKANIOWYCH Wsęp Koszy dosarczenia wody
Bardziej szczegółowoAlicja Ganczarek Akademia Ekonomiczna w Katowicach. Analiza niezależności przekroczeń VaR na wybranym segmencie rynku energii
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Akademia Ekonomiczna w Kaowicach Analiza
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu. Własności procesów STUR w świetle metod z teorii chaosu 1
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6-8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoPROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 69 Elecrical Engineering 0 Janusz WALCZAK* Seweryn MAZURKIEWICZ* PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO W arykule opisano meodę generacji
Bardziej szczegółowoBayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1
Jacek Kwiakowski Uniwersye Mikołaja Kopernika w Toruniu Bayesowskie porównanie modeli STUR i GARCH w finansowych szeregach czasowych 1 WSTĘP Powszechnie wiadomo, że podsawowymi własnościami procesów finansowych
Bardziej szczegółowoWybrane problemy prognozowania cen produktów rolnych
V EUROPEJSKI KONGRES MENADŻERÓW AGROBIZNESU, ŁYSOMICE 14.11.218 Wybrane problemy prognozowania cen produków rolnych Cezary Klimkowski INSTYTUT EKONOMIKI ROLNICTWA I GOSPODARKI ŻYWNOŚCIOWEJ PAŃSTWOWY INSTYTUT
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 2014, 313(76)3, 137 146 Maria Szmuksa-Zawadzka, Jan Zawadzki MODELE WYRÓWNYWANIA WYKŁADNICZEGO W PROGNOZOWANIU
Bardziej szczegółowoZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH
Pior KISIELEWSKI, Łukasz SOBOTA ZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH W arykule przedsawiono zasosowanie eorii masowej obsługi do analizy i modelowania wybranych sysemów
Bardziej szczegółowoVII. ZAGADNIENIA DYNAMIKI
Konderla P. Meoda Elemenów Skończonych, eoria i zasosowania 47 VII. ZAGADNIENIA DYNAMIKI. Równanie ruchu dla zagadnienia dynamicznego Q, (7.) gdzie M NxN macierz mas, C NxN macierz łumienia, K NxN macierz
Bardziej szczegółowoPROPOZYCJA NOWEJ METODY OKREŚLANIA ZUŻYCIA TECHNICZNEGO BUDYNKÓW
Udosępnione na prawach rękopisu, 8.04.014r. Publikacja: Knyziak P., "Propozycja nowej meody określania zuzycia echnicznego budynków" (Proposal Of New Mehod For Calculaing he echnical Deerioraion Of Buildings),
Bardziej szczegółowoPROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM
PROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM prof. dr hab. Paweł Dimann 1 Znaczenie prognoz w zarządzaniu firmą Zarządzanie firmą jes nieusannym procesem podejmowania decyzji, kóry może być zdefiniowany
Bardziej szczegółowoANALIZA WPŁYWU ROZWOJU ELEKTROMOBILNOŚCI NA ZAPOTRZEBOWANIE NA MOC I ENERGIĘ W KRAJOWYM SYSTEMIE ELEKTROENERGETYCZNYM
Pior MARCHEL, Józef PASKA, Łukasz MICHALSKI Poliechnika Warszawska, Insyu Elekroenergeyki ANALIZA WPŁYWU ROZWOJU ELEKTROMOBILNOŚCI NA ZAPOTRZEBOWANIE NA MOC I ENERGIĘ W KRAJOWYM SYSTEMIE ELEKTROENERGETYCZNYM
Bardziej szczegółowoWskazówki projektowe do obliczania nośności i maksymalnego zanurzenia statku rybackiego na wstępnym etapie projektowania
CEPOWSKI omasz 1 Wskazówki projekowe do obliczania nośności i maksymalnego zanurzenia saku rybackiego na wsępnym eapie projekowania WSĘP Celem podjęych badań było opracowanie wskazówek projekowych do wyznaczania
Bardziej szczegółowoPrzemysław Klęsk. Słowa kluczowe: analiza składowych głównych, rozmaitości algebraiczne
Przemysław Klęsk O ALGORYTMIE PRINCIPAL MANIFOLDS OPARTYM NA PCA SŁUŻACYM DO ZNAJDOWANIA DZIEDZIN JAKO ROZMAITOŚCI ALGEBRAICZNYCH NA PODSTAWIE ZBIORU DANYCH, PROPOZYCJA MIAR JAKOŚCI ROZMAITOŚCI Sreszczenie
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoWyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH
Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele
Bardziej szczegółowo1.1. Bezpośrednie transformowanie napięć przemiennych
Rozdział Wprowadzenie.. Bezpośrednie ransformowanie napięć przemiennych Bezpośrednie ransformowanie napięć przemiennych jes formą zmiany paramerów wielkości fizycznych charakeryzujących energię elekryczną
Bardziej szczegółowoMetody badania wpływu zmian kursu walutowego na wskaźnik inflacji
Agnieszka Przybylska-Mazur * Meody badania wpływu zmian kursu waluowego na wskaźnik inflacji Wsęp Do oceny łącznego efeku przenoszenia zmian czynników zewnęrznych, akich jak zmiany cen zewnęrznych (szoki
Bardziej szczegółowoPOLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA i ENERGETYKI INSTYTUT MASZYN i URZĄDZEŃ ENERGETYCZNYCH
POLIECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA i ENERGEYKI INSYU MASZYN i URZĄDZEŃ ENERGEYCZNYCH IDENYFIKACJA PARAMERÓW RANSMIANCJI Laboraorium auomayki (A ) Opracował: Sprawdził: Zawierdził:
Bardziej szczegółowoANALIZA POWIĄZAŃ MIĘDZY INDEKSAMI GIEŁDY FRANCUSKIEJ, HOLENDERSKIEJ I BELGIJSKIEJ Z WYKORZYSTANIEM MODELU KOREKTY BŁĘDEM
Sudia Ekonomiczne. Zeszyy Naukowe Uniwersyeu Ekonomicznego w Kaowicach ISSN 083-86 Nr 89 06 Uniwersye Ekonomiczny w Kaowicach Wydział Ekonomii Kaedra Meod Saysyczno-Maemaycznych w Ekonomii pawel.prenzena@edu.ueka.pl
Bardziej szczegółowoIdentyfikacja wahań koniunkturalnych gospodarki polskiej
Rozdział i Idenyfikacja wahań koniunkuralnych gospodarki polskiej dr Rafał Kasperowicz Uniwersye Ekonomiczny w Poznaniu Kaedra Mikroekonomii Sreszczenie Celem niniejszego opracowania jes idenyfikacja wahao
Bardziej szczegółowoIMPLEMENTACJA WYBRANYCH METOD ANALIZY STANÓW NIEUSTALONYCH W ŚRODOWISKU MATHCAD
Pior Jankowski Akademia Morska w Gdyni IMPLEMENTACJA WYBRANYCH METOD ANALIZY STANÓW NIEUSTALONYCH W ŚRODOWISKU MATHCAD W arykule przedsawiono możliwości (oraz ograniczenia) środowiska Mahcad do analizy
Bardziej szczegółowo