WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII
|
|
- Arkadiusz Osiński
- 8 lat temu
- Przeglądów:
Transkrypt
1 WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej, prognozowanie zapotrzebowania na energię elektryczną, sztuczne sieci neuronowe Streszczenie. Celem niniejszego artykułu jest przedstawienie zastosowania sztucznych sieci neuronowych do prognozowania cen na giełdzie energii elektrycznej. Na wejście skonstruowanego predykatora neuronowego wprowadzono m.in. przeszłe wartości ceny energii i wolumenu obrotu, zmienne określające pogodę, tzn. temperaturę, zachmurzenie, prędkość wiatru oraz zmienne opisujące dzień i godzinę transakcji. Wszystkie te zmienne były mierzone dla każdej godziny doby handlowej. 1. WSTĘP Do budowy modelu prognozującego cenę energii elektrycznej na giełdzie energii wykorzystano sztuczne sieci neuronowe (SSN). Czynników decydujących o wyborze tej metody było kilka. Do najistotniejszych, zdaniem autorki, należy trafność prognoz wyznaczonych za pomocą modeli neuronowych. W [1, 2, 3] prognozowano cenę energii na giełdzie energii wykorzystując modele matematyczno-statystyczne, takie jak ARIMA i GARCH oraz sztuczne sieci neuronowe. Porównując błędy uzyskane za pomocą tych metod zauważono, że prognozy wyznaczone za pomocą SSN były najtrafniejsze. Poza tym, na wejście modelu neuronowego, w przeciwieństwie do klasycznych modeli matematyczno-statystycznych, można wprowadzić kilka zmiennych objaśniających. Wiadomo, że zapotrzebowanie na energię elektryczną i cena energii zależy m.in. od czynników pogodowych. Dlatego też, istotne wydawało się skonstruowanie modelu, który uwzględniałby te zależności. 2. PROGNOZOWANIE CEN NA TOWAROWEJ GIEŁDZIE ENERGII Zadanie prognostyczne, postawione przez autorkę, polegało na skonstruowaniu modelu, za pomocą którego można wyznaczyć cenę energii elektrycznej dla każdej godziny doby handlowej, dzień przed fizyczną dostawą energii. Do budowy modelu prognozującego cenę energii na TGE SA zastosowano sztuczne sieci neuronowe, a właściwie perceptron wielowarstwowy (ang. Multi-Layered Perceptron). Dane, wykorzystywane do budowy modelu, pochodziły z okresu od r. do r. (8 760 przypadków). Natomiast dane z okresu od r. do r. (744 przypadków) zostały wykorzystywane do zbadania zdolności prognostycznych utworzonych sieci neuronowych Budowa modelu prognostycznego Początkowo przeprowadzano wstępną analizę danych wejściowych (rys. 1). Na podstawie wizualnej analizy wykresu ceny energii elektrycznej można stwierdzić, że wykazuje on cykliczność dobową i tygodniową. Cena energii zależy od godziny oraz dnia tygodnia, w jakim jest kupowana/sprzedawana.
2 cena Średnia cena energii w poszczególny ch godzinach doby handlowej godzina cena Średnia cena energii w poszczególny ch dniach ty godnia i w poszczególny ch godzinach doby handlowej godzina Rys. 1. Średnia cena energii elektrycznej w zależności od dnia tygodnia i godziny transakcji Dokonując analizy graficznej rysunku 1 można wyróżnić trzy profile kształtowania się średniej ceny energii: średnia cena energii elektrycznej w dniach roboczych, sobotę i niedzielę. Dlatego też, na wejście neuronowego modelu prognostycznego wprowadzono zmienną określającą odpowiednio dzień tygodnia (1 dzień roboczy, 2 sobota, 3 niedziela i święta) oraz godzinę transakcji. Skonstruowany przez autorkę model prognostyczny miał na wejściu 7 zmiennych, na wyjściu jedną zmienną (rys. 2). Wszystkie te zmienne były mierzone dla każdej godziny doby handlowej. Dane, dotyczące ceny energii elektrycznej oraz wolumenu obrotów, wykorzystywane do budowy modelu pochodzą ze strony internetowej Towarowej Giełdy Energii SA. Natomiast dane określające pogodę w badanym okresie pochodzą z Instytutu Meteorologii i Gospodarki Wodnej w Warszawie. Dotyczyły one temperatury, prędkości wiatru i zachmurzenia w sześciu wybranych stacjach metrologicznych w Polsce: Poznaniu, Rzeszowie, Suwałkach, Szczecinie, Warszawie i Wrocławiu. cena energii (t) wolumen (t) prędkość wiatru (t) zach. (t) temp. (t) godzina transakcji (t) dzień tygodnia (t) Model SSN cena energii elektrycznej (t+1) Rys. 2. Model prognostyczny
3 2.2. Wyznaczanie przykładowych prognoz cen energii elektrycznej na giełdzie energii Na podstawie skonstruowanego modelu prognostycznego, projektowano sieci neuronowe typu różniące się liczbą warstw ukrytych. Zbudowane sieci neuronowe poddano ocenie. Ocenę dopasowania modeli neuronowych do danych rzeczywistych przeprowadzono dla całego okresu budowy modeli, tj. od r. do r. Początkowo skonstruowano sieć składającą się z jednej warstwy ukrytej zawierającej 13 neuronów ( 7: ), a następnie korzystając z podstawowych miar statystycznych zbadano dopasowanie tej sieci do danych rzeczywistych. Otrzymane wyniki umieszczono w tabeli 1. Analizując otrzymane wyniki można zauważyć, że przeciętne odchylenia prognoz cen energii od wartości rzeczywistych wynosi około 14,56 PLN. Stanowi to około 4,61% zmiennej prognozowanej. Można również zauważyć, że nie występuje systematyczne niedoszacowanie bądź przeszacowanie prognozy. Wysoka wartość maxae i maxape świadczy o tym, że zdarzają się błędy znacznie przekraczające wartości przeciętne. W dalszej części badań skonstruowano dwie sieci neuronowe składające się z dwóch warstw ukrytych. Podstawowe parametry obu sieci przedstawiono w tabeli 2. Sieci różniły się miedzy sobą liczbą neuronów w drugiej warstwie ukrytej. Sieć typu 7: miała 30 neuronów w pierwszej warstwie ukrytej i 5 neuronów w drugiej warstwie. Podczas gdy predykator neuronowy typu 7: został zbudowany z 30 neuronów w pierwszej warstwie ukrytej i 6 w warstwie drugiej. Tabela 1 Ocena dopasowania jednowarstwowego modelu do danych rzeczywistych w okresie budowy modelu Miary statystyczne ME (ang. Mean Error) błąd średni MAE (ang. Mean Absolute Error) błąd średni bezwzględny RMSE (ang. Root Mean Square Error) pierwiastek z błędu średniego kwadratowego MAPE (ang. Mean Absolute Percentage Error) średni bezwzględny błąd procentowy MdAPE (ang. Median Absolute Percentage Error) mediana bezwzględnego błędu procentowego maxape (ang. Maximum Absolute Percentage Error) maksymalny błąd procentowy maxae (ang. Maximum Absolute Error) maksymalny błąd bezwzględny 7: ,52 PLN 5,46 PLN 14,56 PLN 4,61% 3,11% 66,73% 341,60 PLN
4 Zmienne wejściowe 7: : cena energii elektrycznej, wolumen obrotów, prędkość wiatru, zachmurzenie, temperatura, godzina transakcji, dzień tygodnia Zmienne cena energii elektrycznej wyjściowe Liczba wejść 7 7 Liczba wyjść 1 1 Liczba warstw 2 2 ukrytych Liczba neuronów w warstwie wej Liczba neuronów w warstwie ukrytej Liczba neuronów w warstwie wyj. Liczba wartości opóźnionych Horyzont czasowy Funkcja aktywacji I warstwa: 30 I warstwa: 30 II ukryta: 5 II warstwa: I warstwa (wejściowa): liniowa II warstwa (ukryta): hiperboliczna III warstwa(ukryta): hiperboliczna IV warstwa (wyjściowa): logistyczna Metoda uczenia I etap uczenia: metoda wstecznej propagacji błędów II etap: metoda gradientów sprzężonych Tabela 2 Parametry wybranych sieci neuronowych Kolejny etap wyznaczania prognozy cen energii polegał na wytrenowaniu skonstruowanych sieci. Proces uczenia tych sieci przebiegał w dwóch etapach. W pierwszym etapie uczono sieć metodą wstecznej propagacji błędów, w drugim metodą gradientów sprzężonych. Uwzględnione w eksperymentach numerycznych sieci różniły się postacią funkcji aktywacji. W przypadku sieci 7: i 7: w warstwie wejściowej przyjęto liniową
5 funkcję aktywacji, w warstwach ukrytych hiperboliczną, a w warstwie wyjściowej logistyczną. Zbudowane sieci neuronowe poddano ocenie. Wyniki z obliczeń umieszczono w tabeli 3. Tabela 3 Ocena dopasowania dwuwarstwowych modeli do danych rzeczywistych w okresie budowy modelu Miary statystyczne 7: : ME błąd średni 2,25 PLN 2,86 PLN MAE błąd średni 2,93 PLN 3,97 PLN bezwzględny RMSE pierwiastek ze błędu średniego 5,95 PLN 7,97 PLN kwadratowego MAPE średni bezwzględny błąd 2,53% 3,42% procentowy MdAPE mediana bezwzględnego błędu procentowego 1,84% 2,45% Na podstawie obliczonych miar statystycznych można zauważyć, że najlepiej dopasowany do danych rzeczywistych jest dwuwarstwowy model zbudowany z wykorzystaniem sieci neuronowej typu 7: Niewielka wartość błędu średniego (ME) wskazuje, że nie występuje systematyczne przeszacowanie i systematyczne niedoszacowanie prognoz. Dlatego też, do dalszych badań wykorzystywano predykator neuronowy typu: 7: charakteryzujący się najlepszą jakością. 3. ANALIZA I OCENA WYNIKÓW Korzystając z dwuwarstwowego modelu neuronowego zbudowanego na wytrenowanej sieci neuronowej typu: 7: wyznaczono prognozę ceny energii elektrycznej w poszczególnych godzinach stycznia 2009 r. Wartości prognozy ceny energii elektrycznej na giełdzie w arbitralnie wybranych dniach stycznia 2009 r. przedstawiono na rys. 3. Uzyskane wyniki porównano z wartościami rzeczywistymi cen energii elektrycznej w tym okresie, dokonano oceny trafności prognozy (tabela 4).
6 Prognozowana cena energii elektrycznej w okresie od 10 stycznia do 13 stycznia 2009 r Sty Sty Sty-04 prognozowane cena [PLN] 10-Sty Sty Sty Sty Sty Sty Sty Sty Sty Sty Sty-04 Rys. 3. Prognozowane ceny energii elektrycznej wyznaczone dla arbitralnie wybranych dni stycznia 2009 r. Analizując wyniki przedstawione w tabeli 4 można zauważyć, że prognozowane wartości cen energii elektrycznej na giełdzie energii w styczniu 2009 r. odbiegają od wartości rzeczywistych średnio o 3,74 PLN, stanowi to około 2,80% zmiennej prognozowanej. Ponadto media absolutnych procentowych błędów wynosi 1,79%. Można również zauważyć, że nie występuje systematyczne niedoszacowanie bądź przeszacowanie prognozy, ponieważ wartość błędu średniego (ME) oraz mediany bezwzględnego błędu procentowego (MdAPE) nieznacznie różnią się od zera. Miary statystyczne 7: ME błąd średni 1,85 PLN MAE błąd średni 3,74 PLN bezwzględny RMSE pierwiastek z błędu średniego 9,50PLN kwadratowego MAPE średni bezwzględny błąd 2,80% procentowy MdAPE mediana bezwzględnego błędu 1,79% procentowego maxape maksymalny 29,74% błąd procentowy Tabela 4 Ocena trafności prognozy wyznaczonej w styczniu 2009 r. Otrzymane wyniki (niewielka wartość średniego modułu względnego błędu prognozy, nieznaczące odchylenie wartości rzeczywistej od wartości prognozowanej) dowodzą, że sztuczne sieci neuronowe mogą być użytecznym narzędziem prognozowania, znajdującym zastosowanie w praktyce.
7 4. PODSUMOWANIE W artykule do wyznaczenia prognozy ceny energii elektrycznej na giełdzie energii wykorzystano sztuczne sieci neuronowe (perceptron wielowarstwowy ). Podczas prac preparacyjnych testowano szereg modeli sieci różniących się liczbą warstw ukrytych i liczbą neuronów w tych warstwach. Ostatecznie do wyznaczenia prognozy ceny energii elektrycznej w miesiącu styczniu 2009 roku wykorzystano ten, który jest najlepiej dopasowany do danych rzeczywistych. Uzyskane prognozy charakteryzowały się wysoką jakością, dowodząc, że sztuczne sieci neuronowe są użytecznym narzędziem prognozowania, mogącym znaleźć praktyczne zastosowanie przez operatorów handlowych przedsiębiorstw obrotu i dystrybucji. Należy podkreślić, że podczas wykorzystania wyuczonego predykatora neuronowego nie jest wymagana specjalistyczna wiedza z dziedziny metod sztucznej inteligencji. Istotny jest również fakt, że w momencie wprowadzenia nowych danych nie należy rozpoczynać całego procesu prognozowania od początku. Podczas budowy modelu nie była konieczna szczegółowa analiza danych dotyczących ceny energii i wolumenu obrotów na giełdzie energii. Aczkolwiek taka analiza może być pomocna przy doborze zmiennych wejściowych do modelu prognostycznego. W przypadku modeli statystycznych przed wyznaczeniem prognozy cen energii konieczne jest przeprowadzenie wstępnej analizy danych. LITERATURA [1] Chodakowska E., Halicka K., Kononiuk A., Nazarko J.: Prognozowanie cen energii elektrycznej na Towarowej Giełdzie Energii SA z wykorzystaniem modeli ARIMA. Technologie informatyczne i prognozowanie w zarządzaniu wybrane zagadnienia, pod red. Kiełtyki L., Nazarko J., Białystok 2005, s [2] Chodakowska E., Halicka K., Kononiuk A., Nazarko J.: Zastosowanie modeli GARCH do prognozowania cen energii elektrycznej. Technologie informatyczne i prognozowanie w zarządzaniu wybrane zagadnienia, pod red. Kiełtyki L., Nazarko J., Białystok 2005, s [3] Chodakowska E., Halicka K., Kononiuk A., Nazarko J.: Zastosowanie sztucznych sieci neuronowych do prognozowania cen energii elektrycznej na Towarowej Giełdzie Energii S.A. Technologie informatyczne i prognozowanie w zarządzaniu wybrane zagadnienia, pod red. Kiełtyki L., Nazarko J., Białystok 2005, s [4] Lichota J.: Artificial Neural Networks Application to Optimization of Heat-Only Boiler Control. Rynek Energii 2009, nr 4. [5] Malko J., Wilczyński A.: Rynki energii elektrycznej i regulacja Komitet Studiów C5. Rynek Energii 2009, nr 2. [6] Szkutnik J., Moroz E.: Procedura efektywnej komunikacji w obrębie spółki dystrybucyjnej. Rynek Energii 2009, nr 1. Artykuł opracowano w ramach pracy statutowej nr S/WZ/1/2009.
8 APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN FORECASTNG ON ENERGY MARKET Key words: energy market, electric energy prices forecasting, electric energy demand forecasting, artificial neural networks Summary. The aim of the paper is to present application of artificial neural networks in electric energy prices forecasting on energy market. As an input of the constructed predicator past energy prices and turnover volume, variables describing weather that is temperature, cloudiness, speed of wind and variables describing time and date of transaction were introduced. All the variables were measured for each hour of the trade twenty- four hours. In the next step of study adjustment of the model to the real data was assessed. Katarzyna Halicka, dr inż. Jest adiunktem na Wydziale Zarządzania Politechniki Białostockiej, ul. Wiejska 45A, Białystok. Zainteresowania naukowe dotyczą przede wszystkim zastosowań metod sztucznej inteligencji w prognozowaniu. Prowadzone badania naukowe obejmują obszar polskiego rynku energii a w szczególności giełdy energii w Polsce. k.halicka@pb.edu.pl
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych
Bardziej szczegółowoWykorzystanie metod wygładzania wykładniczego do prognozowania kursu sprzedaży EUR
Wykorzystanie metod wygładzania wykładniczego do prognozowania kursu sprzedaży EUR Katarzyna Halicka Politechnika Białostocka, Wydział Zarządzania, Katedra Informatyki Gospodarczej i Logistyki, e-mail:
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoPROGNOZOWANIE CEN ENERGII NA RYNKU BILANSUJĄCYM
"DIALOG 0047/2016" PROGNOZOWANIE CEN ENERGII NA RYNKU BILANSUJĄCYM WYDZIAŁ ELEKT RYCZ N Y Prof. dr hab. inż. Tomasz Popławski Moc zamówiona 600 Rynek bilansujący Moc faktycznie pobrana Energia zakupiona
Bardziej szczegółowoSKUTECZNOŚĆ PROGNOZOWANIA W ZARZĄDZANIU TRANSAKCJAMI NA GIEŁDZIE ENERGII
UNIWERSYTET WARSZAWSKI WYDZIAŁ ZARZĄDZANIA mgr inż. Katarzyna Halicka Autoreferat rozprawy doktorskiej na temat: SKUTECZNOŚĆ PROGNOZOWANIA W ZARZĄDZANIU TRANSAKCJAMI NA GIEŁDZIE ENERGII Promotor: prof.
Bardziej szczegółowoWYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN
Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoWprowadzenie do teorii prognozowania
Wprowadzenie do teorii prognozowania I Pojęcia: 1. Prognoza i zmienna prognozowana (przedmiot prognozy). Prognoza punktowa i przedziałowa. 2. Okres prognozy i horyzont prognozy. Prognozy krótkoterminowe
Bardziej szczegółowoEkonometria ćwiczenia 3. Prowadzący: Sebastian Czarnota
Ekonometria ćwiczenia 3 Prowadzący: Sebastian Czarnota Strona - niezbędnik http://sebastianczarnota.com/sgh/ Normalność rozkładu składnika losowego Brak normalności rozkładu nie odbija się na jakości otrzymywanych
Bardziej szczegółowoInżynieria Rolnicza 3(121)/2010
Inżynieria Rolnicza 3(121)/2010 METODA OCENY NOWOCZESNOŚCI TECHNICZNO- -KONSTRUKCYJNEJ CIĄGNIKÓW ROLNICZYCH WYKORZYSTUJĄCA SZTUCZNE SIECI NEURONOWE. CZ. III: PRZYKŁADY ZASTOSOWANIA METODY Sławomir Francik
Bardziej szczegółowoKRÓTKOTERMINOWE PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ ODBIORCÓW WIEJSKICH PRZY WYKORZYSTANIU MODELI MAMDANIEGO
Problemy Inżynierii Rolniczej nr 3/2007 Małgorzata Trojanowska Katedra Energetyki Rolniczej Jerzy Małopolski Katedra Inżynierii Rolniczej i Informatyki Akademia Rolnicza w Krakowie KRÓTKOTERMINOWE PROGNOZOWANIE
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoPrognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu
Bardziej szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoWYKORZYSTANIE MODELI TAKAGI SUGENO DO KRÓTKOTERMINOWEGO PROGNOZOWANIA ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ ODBIORCÓW WIEJSKICH
Inżynieria Rolnicza 1(110)/2009 WYKORZYSTANIE MODELI TAKAGI SUGENO DO KRÓTKOTERMINOWEGO PROGNOZOWANIA ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ ODBIORCÓW WIEJSKICH Małgorzata Trojanowska Katedra Energetyki
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
Bardziej szczegółowoEkonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej
Ekonometria Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych Jakub Mućk Katedra Ekonomii Ilościowej Jakub Mućk Ekonometria Wykład 4 Prognozowanie, stabilność 1 / 17 Agenda
Bardziej szczegółowoFORECASTING THE DISTRIBUTION OF AMOUNT OF UNEMPLOYED BY THE REGIONS
FOLIA UNIVERSITATIS AGRICULTURAE STETINENSIS Folia Univ. Agric. Stetin. 007, Oeconomica 54 (47), 73 80 Mateusz GOC PROGNOZOWANIE ROZKŁADÓW LICZBY BEZROBOTNYCH WEDŁUG MIAST I POWIATÓW FORECASTING THE DISTRIBUTION
Bardziej szczegółowoZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH
Inżynieria Rolnicza 9(118)/2009 ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej
Bardziej szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej szczegółowoZastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie
Adam Stawowy Paweł Jastrzębski Wydział Zarządzania AGH Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Jedną z najczęściej podejmowanych decyzji w działalności
Bardziej szczegółowoĆwiczenia IV
Ćwiczenia IV - 17.10.2007 1. Spośród podanych macierzy X wskaż te, których nie można wykorzystać do estymacji MNK parametrów modelu ekonometrycznego postaci y = β 0 + β 1 x 1 + β 2 x 2 + ε 2. Na podstawie
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoPROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY
Joanna Chrabołowska Joanicjusz Nazarko PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY NA PRZYKŁADZIE PRZEDSIĘBIORSTWA HANDLOWEGO TYPU CASH & CARRY Wprowadzenie Wśród wielu prognoz szczególną rolę w zarządzaniu
Bardziej szczegółowoAnaliza jakości prognoz produkcji energii w elektrowniach wiatrowych opracowanych na podstawie danych meteo z modeli UM i COAMPS
Dariusz BACZYŃSKI, Marcin KOPYT Politechnika Warszawska, Instytut Elektroenergetyki doi:10.15199/48.2017.11.35 Analiza jakości prognoz produkcji energii w elektrowniach wiatrowych opracowanych na podstawie
Bardziej szczegółowoW PROGNOZOWANIU ZAPOTRZEBOWANIA
ANALIZA RYZYKA NA GAZ ZIEMNY W PROGNOZOWANIU ZAPOTRZEBOWANIA Autorzy: Jolanta Szoplik, Michał Oszczyk ("Rynek Energii" - czerwiec 215) Słowa kluczowe: prognozowanie zapotrzebowania na gaz, ryzyko prognozy,
Bardziej szczegółowoInżynieria Rolnicza 5(114)/2009
Inżynieria Rolnicza 5(114)/2009 MODELE ROZMYTE ZAPOTRZEBOWANIA NA MOC DLA POTRZEB KRÓTKOTERMINOWEGO PROGNOZOWANIA ZUŻYCIA ENERGII ELEKTRYCZNEJ NA WSI CZĘŚĆ I. ALGORYTMY WYZNACZANIA MODELI ROZMYTYCH Jerzy
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
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 szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoMotto. Czy to nie zabawne, że ci sami ludzie, którzy śmieją się z science fiction, słuchają prognoz pogody oraz ekonomistów? (K.
Motto Cz to nie zabawne, że ci sami ludzie, którz śmieją się z science fiction, słuchają prognoz pogod oraz ekonomistów? (K. Throop III) 1 Specfika szeregów czasowch Modele szeregów czasowch są alternatwą
Bardziej szczegółowoWYKORZYSTANIE MODELI MAMDANIEGO DO PREDYKCJI DOBOWYCH OBCIĄŻEŃ WIEJSKICH SIECI ELEKTROENERGETYCZNYCH
Inżynieria Rolnicza 9(107)/2008 WYKORZYSTANIE MODELI MAMDANIEGO DO PREDYKCJI DOBOWYCH OBCIĄŻEŃ WIEJSKICH SIECI ELEKTROENERGETYCZNYCH Jerzy Małopolski Katedra Inżynierii Rolniczej i Informatyki, Uniwersytet
Bardziej szczegółowoKRÓTKOTERMINOWE PROGNOZOWANIE ZUŻYCIA ENERGII ELEKTRYCZNEJ Z WYKORZYSTANIEM SZTUCZNEJ SIECI NEURONOWEJ
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 79 Electrical Engineering 2014 Tomasz JEŻYK* Andrzej TOMCZEWSKI* KRÓTKOTERMINOWE PROGNOZOWANIE ZUŻYCIA ENERGII ELEKTRYCZNEJ Z WYKORZYSTANIEM SZTUCZNEJ
Bardziej szczegółowoPrognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych
Prognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych prof. zw. dr hab. inż. Stanisław Osowski dr inż. Krzysztof Siwek Politechnika Warszawska Kontynuacja prac Prace prowadzone w roku
Bardziej szczegółowoPrognozowanie produkcji energii elektrycznej w systemach fotowoltaicznych
ARTYKUŁY NAUKOWE ASO.A.9(1)/2017.285-296 Grzegorz DRAŁUS * Zbigniew GOMÓŁKA ** Prognozowanie produkcji energii elektrycznej w systemach fotowoltaicznych Forecasting electrical energy in photovoltaic systems
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoKrzysztof JURCZYK * 1. WPROWADZENIE
Logistyka nauka Krzysztof JURCZYK * ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH JAKO NARZĘDZIA WSPOMAGAJĄCEGO ZARZĄDZANIE ZAPASAMI I PLANOWANIE POPYTU NA PRZYKŁADZIE PRZEDSIĘBIORSTWA DYSTRYBUCYJNEGO Streszczenie
Bardziej szczegółowoRozdział 1 Sztuczne sieci neuronowe. Materiały do zajęć dydaktycznych - na podstawie dokumentacji programu Matlab opracował Dariusz Grzesiak
2 Rozdział 1 Sztuczne sieci neuronowe. 3 Sztuczna sieć neuronowa jest zbiorem prostych elementów pracujących równolegle, których zasada działania inspirowana jest biologicznym systemem nerwowym. Sztuczną
Bardziej szczegółowo7.4 Automatyczne stawianie prognoz
szeregów czasowych za pomocą pakietu SPSS Następnie korzystamy z menu DANE WYBIERZ OBSERWACJE i wybieramy opcję WSZYSTKIE OBSERWACJE (wówczas wszystkie obserwacje są aktywne). Wreszcie wybieramy z menu
Bardziej szczegółowoSZTUCZNE SIECI NEURONOWE W MODELOWANIU ZJAWISK ZACHODZĄCYCH NA RYNKU NIERUCHOMOŚCI
Dr Agnieszka MAZUR-DUDZIŃSKA Politechnika Łódzka, Katedra Zarządzania SZTUCZNE SIECI NEURONOWE W MODELOWANIU ZJAWISK ZACHODZĄCYCH NA RYNKU NIERUCHOMOŚCI Streszczenie: Celem referatu jest zastosowanie sztucznych
Bardziej szczegółowoRAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.
Projekt współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Społecznego w ramach projektu Wiedza Techniczna Wzmocnienie znaczenia Politechniki Krakowskiej w kształceniu przedmiotów
Bardziej szczegółowoZastosowania sieci neuronowych predykcja - energia
Zastosowania sieci neuronowych predykcja - energia LABORKA Piotr Ciskowski KSE KRAJOWY SYSTEM ENERGETYCZNY ZAPOTRZEBOWANIE MOCY Krajowy System Energetyczny (KSE) zapotrzebowanie mocy http://energetyka.wnp.pl/notowania/zapotrzebowanie_mocy_kse/
Bardziej szczegółowoOCENA PRZYDATNOŚCI MODELU WINTERSA DO PROGNOZOWANIA CEN SKUPU MLEKA
STOWARZYSZENIE Ocena przydatności EKONOMISTÓW modelu Wintersa ROLNICTWA do prognozowania I AGROBIZNESU cen skupu mleka Roczniki Naukowe tom XV zeszyt 4 231 Jarosław Lira Uniwersytet Przyrodniczy w Poznaniu
Bardziej szczegółowoAnna Szmit Wydział Organizacji i Zarządzania, Politechnika Łódzka
PROGNOZOWANIE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ. STUDIUM EMPIRYCZNE DLA REGIONU ŁÓDZKIEGO Anna Szmit Wydział Organizacji i Zarządzania, Politechnika Łódzka 1 WPROWADZENIE Prognozowanie należy do narzędzi,
Bardziej szczegółowoDokumentacja Końcowa
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Dokumentacja Końcowa Autorzy: Robert Wojciechowski Michał Denkiewicz Wstęp Celem
Bardziej szczegółowoRAPORT MIESIĘCZNY. Luty Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
RAPORT MIESIĘCZNY 2004 150,00 Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 140,00 130,00 120,00 110,00 100,00 90,00 80,00 70,00 60,00 50,00 średni kurs ważony
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoRecenzja rozprawy doktorskiej mgr Yasena Asada Mhanna Rajihy. nt. ICA and Artificial Neural Networks in Supporting Decision Process
Dorota Witkowska, prof. zw. dr hab. Katedra Finansów i Strategii Przedsiębiorstwa Uniwersytetu Łódzkiego Łódź 27.11.2019r. Recenzja rozprawy doktorskiej mgr Yasena Asada Mhanna Rajihy nt. ICA and Artificial
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 1 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 http://www.outcome-seo.pl/excel1.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodatek Solver jest dostępny w menu Narzędzia. Jeżeli Solver nie jest
Bardziej szczegółowoIndeksy dynamiki (o stałej i zmiennej podstawie)
Indeksy dynamiki (o stałej i zmiennej podstawie) Proste indeksy dynamiki określają tempo zmian pojedynczego szeregu czasowego. Wyodrębnia się dwa podstawowe typy indeksów: indeksy o stałej podstawie; indeksy
Bardziej szczegółowoZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W PROCESIE ROZLICZEŃ MIESZKAŃCÓW BUDYNKÓW WIELOLOKATOROWYCH
sieci neuronowe, rozliczenie mediów, zdalny odczyt Grzegorz BARTNICKI, Agnieszka CHMIELEWSKA* ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W PROCESIE ROZLICZEŃ MIESZKAŃCÓW BUDYNKÓW WIELOLOKATOROWYCH W pracy
Bardziej szczegółowoAnaliza sezonowości. Sezonowość może mieć charakter addytywny lub multiplikatywny
Analiza sezonowości Wiele zjawisk charakteryzuje się nie tylko trendem i wahaniami przypadkowymi, lecz także pewną sezonowością. Występowanie wahań sezonowych może mieć charakter kwartalny, miesięczny,
Bardziej szczegółowoKRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH. Sławomir Śmiech, Monika Papież
KRÓTKOOKRESOWE PROGNOZOWANIE CENY EKSPORTOWEJ WĘGLA ROSYJSKIEGO W PORTACH BAŁTYCKICH Sławomir Śmiech, Monika Papież email: smiechs@uek.krakow.pl papiezm@uek.krakow.pl Plan prezentacji Wprowadzenie Ceny
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoInżynieria Rolnicza 5(114)/2009
Inżynieria Rolnicza (114)/29 MODELE ROZMYTE ZAPOTRZEBOWANIA NA MOC DLA POTRZEB KRÓTKOTERMINOWEGO PROGNOZOWANIA ZUŻYCIA ENERGII ELEKTRYCZNEJ NA WSI CZĘŚĆ II OPRACOWANIE PREDYKCYJNYCH MODELI RELACYJNYCH
Bardziej szczegółowoEkonometryczna analiza popytu na wodę
Jacek Batóg Uniwersytet Szczeciński Ekonometryczna analiza popytu na wodę Jednym z czynników niezbędnych dla funkcjonowania gospodarstw domowych oraz realizacji wielu procesów technologicznych jest woda.
Bardziej szczegółowoTemat: Sieci neuronowe oraz technologia CUDA
Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w
Bardziej szczegółowoWydatki [zł] Wydatki 36,4 38, ,6 37,6 40, , ,5 33 Czas
Wydatki [zł] Zestaw zadań z Zastosowania metod progn. Zadanie 1 Dany jest następujący szereg czasowy: t 1 2 3 4 5 6 7 8 y t 11 14 13 18 17 25 26 28 Dokonaj jego dekompozycji na podstawowe składowe. Wykonaj
Bardziej szczegółowoPROGNOZOWANIE ZMIAN MIKROKLIMATU SZKLARNI W OKRESIE LETNIM
PROGNOZOWANIE ZMIAN MIKROKLIMATU SZKLARNI W OKRESIE LETNIM GRABARCZYK Sławomir Zakład Instalacji Budowlanych i Fizyki Budowli, Politechnika Warszawska PREDICTION OF VARIABILITY GREENHOUSE MICROCLIMATE
Bardziej szczegółowoDopasowywanie modelu do danych
Tematyka wykładu dopasowanie modelu trendu do danych; wybrane rodzaje modeli trendu i ich właściwości; dopasowanie modeli do danych za pomocą narzędzi wykresów liniowych (wykresów rozrzutu) programu STATISTICA;
Bardziej szczegółowoPAWEŁ SZOŁTYSEK WYDZIAŁ NAUK EKONOMICZNYCH
PROGNOZA WIELKOŚCI ZUŻYCIA CIEPŁA DOSTARCZANEGO PRZEZ FIRMĘ FORTUM DLA CELÓW CENTRALNEGO OGRZEWANIA W ROKU 2013 DLA BUDYNKÓW WSPÓLNOTY MIESZKANIOWEJ PRZY UL. GAJOWEJ 14-16, 20-24 WE WROCŁAWIU PAWEŁ SZOŁTYSEK
Bardziej szczegółowoAnaliza metod prognozowania kursów akcji
Analiza metod prognozowania kursów akcji Izabela Łabuś Wydział InŜynierii Mechanicznej i Informatyki Kierunek informatyka, Rok V Specjalność informatyka ekonomiczna Politechnika Częstochowska izulka184@o2.pl
Bardziej szczegółowoANALIZA SZCZECIŃSKIEGO RYNKU NIERUCHOMOŚCI W LATACH 2007 2010
STUDA PRACE WYDZAŁU NAUK EKONOMCZNYCH ZARZĄDZANA NR 26 Ewa Putek-Szeląg Uniwersytet Szczeciński ANALZA SZCZECŃSKEGO RYNKU NERUCHOMOŚC W LATACH 27 21 STRESZCZENE Niniejszy artykuł dotyczy analizy rynku
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoZapraszamy do współpracy FACULTY OF ENGINEERING MANAGEMENT www.fem.put.poznan.pl Agnieszka Stachowiak agnieszka.stachowiak@put.poznan.pl Pokój 312 (obok czytelni) Dyżury: strona wydziałowa Materiały dydaktyczne:
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski
Bardziej szczegółowoElementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
Bardziej szczegółowoPropozycja modelu prognostycznego dla wartości jednostek rozrachunkowych OFE. 1. Wstęp
1 Sugerowany przypis: Chybalski F., Propozycja modelu prognostycznego dla wartości jednostek rozrachunkowych OFE, Przegląd Statystyczny, nr 3/2006, Dom Wydawniczy Elipsa, Warszawa 2006, s. 73-82 Propozycja
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 szczegółowoWIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI
Posiedzenie Sekcji Podstaw Technologii Komitetu Budowy Maszyn Polskiej Akademii Nauk 20 kwietnia 2004 WIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI prof. dr hab. inż. Krzysztof Jemieniak Plan prezentacji
Bardziej szczegółowoMODELOWANIE KOSZTÓW REALIZACJI BUDYNKÓW MIESZKALNYCH Z ZASTOSOWANIEM ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH
167 MICHAŁ JUSZCZYK MODELOWANIE KOSZTÓW REALIZACJI BUDYNKÓW MIESZKALNYCH Z ZASTOSOWANIEM ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH THE COST MODELLING OF RESIDENTIAL BUILDINGS REALIZATION WITH NEURAL NETWORK
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2018, 347(93)4, 57 68
DOI: 1.215/oe218.93.4.5 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 218, 347(93)4, 57 68 Joanna PERZYŃSKA ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH
Bardziej szczegółowoWpływ czynników atmosferycznych na zmienność zużycia energii elektrycznej Influence of Weather on the Variability of the Electricity Consumption
Wpływ czynników atmosferycznych na zmienność zużycia energii elektrycznej Influence of Weather on the Variability of the Electricity Consumption Wojciech Zalewski Politechnika Białostocka, Wydział Zarządzania,
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoRobert Kubicki, Magdalena Kulbaczewska Modelowanie i prognozowanie wielkości ruchu turystycznego w Polsce
Robert Kubicki, Magdalena Kulbaczewska Modelowanie i prognozowanie wielkości ruchu turystycznego w Polsce Ekonomiczne Problemy Turystyki nr 3 (27), 57-70 2014 ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO
Bardziej szczegółowoMETODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 6(115)/2009 METODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy w Krakowie
Bardziej szczegółowoINSTYTUT METEOROLOGII I GOSPODARKI WODNEJ PAŃSTWOWY INSTYTUT BADAWCZY Oddział we Wrocławiu. Görlitz
Görlitz 17.11.2014 Pakiet programów MIKE opracowany na Politechnice Duńskiej, zmodyfikowany przez Duński Instytut Hydrauliki, Zasady działania modeli: MIKE NAM - model konceptualny o parametrach skupionych,
Bardziej szczegółowo3. Modele tendencji czasowej w prognozowaniu
II Modele tendencji czasowej w prognozowaniu 1 Składniki szeregu czasowego W teorii szeregów czasowych wyróżnia się zwykle następujące składowe szeregu czasowego: a) składowa systematyczna; b) składowa
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoPrognozowanie na podstawie modelu ekonometrycznego
Prognozowanie na podstawie modelu ekonometrycznego Przykład. Firma usługowa świadcząca usługi doradcze w ostatnich kwartałach (t) odnotowała wynik finansowy (yt - tys. zł), obsługując liczbę klientów (x1t)
Bardziej szczegółowoWdrożenie Kodeksu Bilansowania - szanse i wyzwania dla rynku gazu w obszarze dystrybucji. TGE, Warszawa, 8 grudnia 2014 r.
Wdrożenie Kodeksu Bilansowania - szanse i wyzwania dla rynku gazu w obszarze dystrybucji TGE, Warszawa, 8 grudnia 2014 r. Podstawowe informacje Rozporządzenie Komisji (UE) nr 312/2014 z dnia 26 marca 2014
Bardziej szczegółowoMODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 7(125)/2010 MODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH Jerzy Langman, Norbert Pedryc Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoWPŁYW SZYBKOŚCI STYGNIĘCIA NA WŁASNOŚCI TERMOFIZYCZNE STALIWA W STANIE STAŁYM
2/1 Archives of Foundry, Year 200, Volume, 1 Archiwum Odlewnictwa, Rok 200, Rocznik, Nr 1 PAN Katowice PL ISSN 1642-308 WPŁYW SZYBKOŚCI STYGNIĘCIA NA WŁASNOŚCI TERMOFIZYCZNE STALIWA W STANIE STAŁYM D.
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
Bardziej szczegółowoMetody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy
Metod prognozowania: Jakość prognoz Dr inż. Sebastian Skoczpiec ver. 03.2012 Wprowadzenie (1) 1. Sformułowanie zadania prognostcznego: 2. Określenie przesłanek prognostcznch: 3. Zebranie danch 4. Określenie
Bardziej szczegółowoMODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XI/2, 2010, str. 254 263 MODELE AUTOREGRESYJNE W PROGNOZOWANIU CEN ZBÓŻ W POLSCE Agnieszka Tłuczak Zakład Ekonometrii i Metod Ilościowych, Wydział Ekonomiczny
Bardziej szczegółowoRAPORT MIESIĘCZNY. Maj Towarowa Giełda Energii S.A. Rynek Dnia Następnego. Średni Kurs Ważony Obrotem [PLN/MWh]
RAPORT MIESIĘCZNY 24 15, Towarowa Giełda Energii S.A. Rynek Dnia Następnego Średni Kurs Ważony Obrotem [PLN/MWh] 14, 13, 12, 11, 1, 9, 8, 7, 6, 5, średni kurs ważony obrotem kurs max kurs min 1 2 3 4 5
Bardziej szczegółowoĆWICZENIE 5: Sztuczne sieci neuronowe
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE ĆWICZENIE 5: Sztuczne sieci neuronowe opracował: dr inż. Witold
Bardziej szczegółowoPorównaj płace pracowników obu zakładów, dokonując kompleksowej analizy struktury. Zastanów się, w którym zakładzie jest korzystniej pracować?
1 Zadanie 1.1 W dwóch zakładach produkcyjnych Złomex I i Złomex II, należących do tego samego przedsiębiorstwa Złomowanie na zawołanie w ostatnim miesiącu następująco kształtowały się wynagrodzenia pracowników.
Bardziej szczegółowoPROGNOZOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WYKORZYSTANIEM MODELI JEDNOKIERUNKOWYCH SIECI NEURONOWYCH
Michał Sarapata Uniwersytet Ekonomiczny w Katowicach PROGNOZOWANIE FINANSOWYCH SZEREGÓW CZASOWYCH Z WYKORZYSTANIEM MODELI JEDNOKIERUNKOWYCH SIECI NEURONOWYCH Wprowadzenie Kluczową kwestią w procesie podejmowania
Bardziej szczegółowoProjektowanie systemów pomiarowych. 02 Dokładność pomiarów
Projektowanie systemów pomiarowych 02 Dokładność pomiarów 1 www.technidyneblog.com 2 Jak dokładnie wykonaliśmy pomiar? Czy duża / wysoka dokładność jest zawsze konieczna? www.sparkfun.com 3 Błąd pomiaru.
Bardziej szczegółowoMODEL NEURONOWY ZMIAN TEMPERATURY PODCZAS KONWEKCYJNEGO SUSZENIA ZRĘBKÓW WIERZBY ENERGETYCZNEJ
Inżynieria Rolnicza 11(109)/2008 MODEL NEURONOWY ZMIAN TEMPERATURY PODCZAS KONWEKCYJNEGO SUSZENIA ZRĘBKÓW WIERZBY ENERGETYCZNEJ Bogusława Łapczyńska-Kordon, Sławomir Francik, Zbigniew Ślipek Katedra Inżynierii
Bardziej szczegółowo