ARMAX (ANN) : :. (ANN) ARMAX.... ARMAX ARMA :..Q47 E27 C53 C45 :JEL

Podobne dokumenty
MATLAB Neural Network Toolbox przegląd

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym

Neural Networks (The Machine-Learning Kind) BCS 247 March 2019

Prognozowanie produkcji budowlano montażowej w województwie dolnośląskim. Część I

Sylabus Formularz opisu przedmiotu (formularz sylabusa) dla studiów I i II stopnia 1 wypełnia koordynator przedmiotu

PLAN STUDIÓW Wydział Elektroniki, Telekomunikacji i Informatyki, Wydział Zarządzania i Ekonomii Inżynieria danych

tum.de/fall2018/ in2357

Linear Classification and Logistic Regression. Pascal Fua IC-CVLab

Transportu SIECI NEURONOWYCH. : marzec w przypadku awarii detektora. Opracowany we pomiarów ruchu

Szeregi czasowe, analiza zależności krótkoi długozasięgowych

Maszyny wektorów podpierajacych w regresji rangowej

EKONOMETRYCZNA PROGNOZA ODPŁYWÓW Z BEZROBOCIA

Wydział Inżynierii Produkcji i Logistyki Faculty of Production Engineering and Logistics

WYKORZYSTANIE ALGORYTMÓW PSZCZELICH W PROCESIE POSZUKIWANIA MINIMUM FUNKCJI CELU

O dwóch modyfikacjach algorytmu PSO

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

Modele warunkowej heteroscedastyczności

1 Modele ADL - interpretacja współczynników

Wykład 4 Wybór najlepszej procedury. Estymacja parametrów re

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań

Zastosowanie sztucznej inteligencji w testowaniu oprogramowania

Plan wykładu: 1) Pojęcie stacjonarności i niestacjonarności zmiennych 2) Testowanie integracji 3) Pojęcie kointegracji metoda Engle a-grangera.

Analiza szeregów czasowych: 6. Liniowe modele niestacjonarne

Hard-Margin Support Vector Machines

Ekonometryczne modele nieliniowe

Dodatek 3. Wielowymiarowe modele GARCH model DCC-GARCH

Analiza szeregów czasowych: 7. Liniowe modele stochastyczne

STATYSTYKA OD PODSTAW Z SYSTEMEM SAS. wersja 9.2 i 9.3. Szkoła Główna Handlowa w Warszawie

Towards Stability Analysis of Data Transport Mechanisms: a Fluid Model and an Application

Ekonometria dla IiE i MSEMat Z7

AWG grupa robocza ds. starzenia się ludności

PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH

Zarządzanie ryzykiem w tworzeniu wartości na przykładzie przedsiębiorstwa z branży. kosmetycznej

Badania w sieciach złożonych

Wprowadzenie do sieci neuronowych i zagadnień deep learning

Walyeldeen Godah Małgorzata Szelachowska Jan Kryński. Instytut Geodezji i Kartografii (IGiK), Warszawa Centrum Geodezji i Geodynamiki

Algorytm FIREFLY. Michał Romanowicz Piotr Wasilewski

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk

Materiał dla studentów Wprowadzenie do modeli ARMA/ARIMA (na przykładzie zwrotów z instrumentów finansowych)

Dochody gospodarstw rolnych a ryzyko walutowe

Machine Learning for Data Science (CS4786) Lecture11. Random Projections & Canonical Correlation Analysis

wprowadzenie do analizy szeregów czasowych

Modelowanie zachowania kursu EURUSD po ogłoszeniu odczytu US Nonfarm Payrolls z wykorzystaniem modeli ARIMA-GARCH

Algorytmy sztucznej inteligencji

dr Anna Matuszyk PUBLIKACJE: CeDeWu przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Profile of the Fraudulelent Customer

ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR NNN FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR FF 2013

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne

Heteroskedastyczość w szeregach czasowyh

Cracow University of Economics Poland

Analiza stanów gry na potrzeby UCT w DVRP

Modele ARIMA prognoza, specykacja

System optymalizacji produkcji energii

Czasowy wymiar danych

Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia. Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia

Ewelina Słupska Uniwersytet Ekonomiczny we Wrocławiu. Arkadiusz Kozłowski Uniwersytet Ekonomiczny we Wrocławiu

ROZDZIAŁ 27 WAHANIA CYKLICZNE ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ KONSUMOWANĄ PRZEZ PRZEMYSŁ W POLSCE

Zarządzanie ryzykiem w tworzeniu wartości przedsiębiorstwa na przykładzie przedsiębiorstwa z branży odzieżowej. Working paper

SKUTECZNOŚĆ PROGNOZOWANIA ZUŻYCIA GAZU Z WYKORZYSTANIEM METOD REGRESJI I SZTUCZNYCH SIECI NEURONOWYCH

Prognozowanie zapotrzebowania mocy w KSE z horyzontem dobowym przy zastosowaniu zespołu sieci neuronowych

Kierunek: Informatyka rev rev jrn Stacjonarny EN 1 / 6

RADIO DISTURBANCE Zakłócenia radioelektryczne

MATLAB Neural Network Toolbox uczenie sieci (dogłębnie)

PEWNE METODY HYBRYDOWE W JEDNOKRYTERIALNEJ OPTYMALIZACJI KONSTRUKCJI SOME HYBRID METHODS FOR SINGLE CRITERIA DESIGN OPTIMIZATION

Katarzyna Mamak Uniwersytet Ekonomiczny we Wrocławiu

Algorytm świetlika charakterystyka, własności aplikacyjne i usprawnienia

ANALIZA WYDAJNOŚCI UJĘĆ WÓD Z SAMOWYPŁYWEM PRZY UŻYCIU LINIOWEJ IDENTYFIKACJI MODELU ARMAX

Wydział Inżynierii Produkcji i Logistyki

KRÓTKOTERMINOWE PROGNOZOWANIE ZUŻYCIA ENERGII ELEKTRYCZNEJ Z WYKORZYSTANIEM SZTUCZNEJ SIECI NEURONOWEJ

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

Ćwiczenie 5 PROGNOZOWANIE

Mapy poznawcze jako narzędzia rozumienia informacji

Barbara Batóg* Uniwersytet Szczeciński

Charakterystyka i klasyfika ja arzędzi wykorzystywanych w procesie prognozowania zapotrze owa ia a e ergię

Nowe podejście do składowania danych

Inżynieria Rolnicza 5(114)/2009

WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI

Cena netto (PLN) IV kwartał. Cena netto (PLN) Podstawy SAS INTRO

Jądrowe klasyfikatory liniowe

Przegląd metod wykorzystywanych do średnioterminowego prognozowania obciążeń elektroenergetycznych

Probabilistyczne prognozowanie hurtowych cen energii elektrycznej

DRZEWA REGRESYJNE I LASY LOSOWE JAKO

RADIO DISTURBANCE Zakłócenia radioelektryczne

Algorytmy rozpoznawania obrazów. 11. Analiza skupień. dr inż. Urszula Libal. Politechnika Wrocławska




Auditorium classes. Lectures

B. Gabinet M. Zawadzka Wroclaw University of Economic

Algorytmy heurystyczne w UCB dla DVRP

Number of hours teaching hours practical classes. others 1

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII

Narzędzia wspomagające projektowanie - Matlab. PID Tunner. step, bode, margin, rlocus lqr, lqreg kalman,...

Ścieżka rozwoju polskiej gospodarki w latach gospodarki w latach W tym celu wykorzystana zostanie metoda diagramowa,

WYKORZYSTANIE MODELI TAKAGI SUGENO DO KRÓTKOTERMINOWEGO PROGNOZOWANIA ZAPOTRZEBOWANIA NA ENERGIĘ ELEKTRYCZNĄ ODBIORCÓW WIEJSKICH

Zwiększenie efektywności funkcjonowania magazynu w wyniku zastosowania dynamicznego podziału produktów na grupy

Testy własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu

PLANY I PROGRAMY STUDIÓW

Cracow University of Economics Poland. Overview. Sources of Real GDP per Capita Growth: Polish Regional-Macroeconomic Dimensions

Transkrypt:

47-70 39 7 ARMAX (ANN) 39 9 : 39 :. (ANN) ARMAX.... ARMAX ARMA :..Q47 E7 C53 C45 :JEL navid_moarrefzadeh@yahoo.com

7 48....... (ANN). ARMAX..... 90. (994)... Kuan & White Yousefi (994)

49... (993) (995). 4 3 (990). (994) 5 (999). 6 (999). 8. 990 985 7 9» (007) 0 «. 005-006... 4 3 030 GSA (0).. Chatfield. Tal & Nazareth 3. Andersson&Falksund 4. Bramson&Hoptroff 5. Aiken 6. Aiken &Bsat 7. Tutu and Johnson 8. Opec domestic oil demand 9. Tuksary 0. Ant colony optimization approach to estimate energy. Pedregal and dejuan. Modelling demand for crude oil products in Spain 3. Behrang 4. Gravitational Search Algorithm

7 50 05 (PSO). ols ols (387). 40 (388). ARIMA var (39). (ANN). (383). 5..3 ARMA.3- ) : P. ( = + p y = i t i + t α α y 0 χ i t () x t q i = = β Σ 0 i t i { x t } :.. Alper. PSO

5... y t q p = α 0 + α i i y = t i + i = 0 B i Σ t i (). β 0 {y t } (). (ARMA). {X t } () ARMA q X t p ARMA q = 0. ARMA(p,q) p = 0 AR(P) ( ) 3 ). MA(q) ( ) 4 (( ).3-... 5.. Autoregressive Moving Average. Pure Autoregressive 3. Pure Moving Average 4. Enders 5. Ramon Segal

7 5.. :. -.. n X X X 0 y. n. a : t Net t = α χ 0 0t + α χ t + α χ t = i = 0 α χ i it (3) (). f(x) (3) f (X) = X. : t yt = f ( Net t = a0 x0t + axt + axt ) = a0x0t + axt + axt (4). Feedforward Neural Network. Transfer or Activation Function

53... : X 0 y t = a 0 + a x t + a x t (5)... 3 ((00) - ) ((384) ). AR. (ANN). ARMAX.... bias. Multiple Linear Regression Model 3. Al-Saba

7 54 ((38) )..4. ) ((388) ). ((359-389) :. : ((0) )..4-378 359 379.. 389 389 379 ARMAX ANN... MAPE (Min Absolute Percent error)

55... = n Eper i Eact Eact i i (6). ARMAX.4- -. (ADF) -. t % %5 %0 Prob -5/58-4/7059-3/889-4/4683-4/339-4/967-4/3393-3/6998-3/5806-3/5683-3/5875 -/976-3/53-3/83-3/9 -/674 0/00 0/0038 0/06 0/006 359-389 :... Y a gdp + a pop + a nx + = 3 u t (7)

7 56 pop gdp Y. u t NX. 7 prob 0. t -/3 -/6 0 3/33 /65 0/008 =0/58 3/3 0/50 359-389 :. 0/58 ARMA (p) ARMAX (q). 3.3 :. 359-389

57... ARMAX PAC AC 3. 4 ARMAX(,) Eviews ARMAX.4 prob t 0/53 0/004 0/98 0 0/8089-0/6 3/7-0/00 3/63 0/4-0/5 0/67-0/00 0/93 0/06 AR() MA() : (MA()) 4. 5 ARMAX.5 prob t 0/0055 0/000 0/00 0 3/06 4/33 3/7-5/38 /48 0/69 0/64-8/70 AR() : 5 ARMAX(,0) ARMAX(,0) ARMAX(,0)...

7 58 ARMAX. :.4-3. 0 Matlab. : xi normal = xi x max x x min min (8). X max X min X i.. Mlp

59....4-3-. 359-378. 3.. 379-389 379-389.3. Epoch

7 60.4-3-. 4 359-378.4 4 4. 4. 379-389 379-389.5. Epoch

6.... %5/34 %/8. ARMAX ANN. 6.6 ) Ann Ann ARMAX ( ARMAX 379 380 38 38 383 384 385 386 387 388 68/7 685/ 77/ 768/ 83/ 90/9 997/4 088/6 3/9 67 684/53 75/3987 783/65 793/74 844/ 99/557 007/46 058/066 096/699 40/59 778/35 796/8 856/7 96/6 968/43 08/6 087/83 33/48 33/80 58/37 0/83 5/8667 7/695957 3/336037 /444509 /99005 /00883 /80489 /544 /69 4/09 6/98 7/7353 9/33497 6/3704 3/87383 9/06687 4/6985 /787 0/73953

7 6 389 49/ 0/864 6/99 4/669683 5/83874 =/8 =0/83 %/8 ANN 6. ARMAX ARMAX. ARMAX. 7.7 Dimension BDS Statistic 0/6 z 5/46 Prob 0 3 0/5 4/65 0 4 0/30 4/0 0 5 0/30 3/40 0 6 0/7 /47 0 %5 Prob 7.... Bds Test

63....5 6..5- (R ) 359-389. 0/984. Y = 449/ 86x R = 0/ 984 650/ 8x + 9385 (9) Y = / 34x R = 0/ 794 + 57 / x + 39 (0) 0/794.

7 64 Y = / 34x R = 0/ 794 + 57 / x + 39 (). Y = 38 / 03x R = 0/ 86 3 + 7079x 673x + 46686 ().5-. : = X X X new old old 00 (3) : FV = PV ( + R) =FV =PV =R 3. 8 n

65....8 %/5 %5/4 %5/48 %7/ -389 :. 359. 395. ) (.6 359-389 :.

7 66 6 389.... 4 ((980-00) ). 6 d R = 3 N N (4). N d R :. OPEC

67... 4.9 R= R=0/99 R=0/9 R=0/8 R=0/97 :. 359-389 t R. t = r n r (5) t 5 t.0 - /05-47/64-4/9 - /96.6.. /97 ((PSO) 3/ /40

7 68 (GA) /83 /07 /63 /8.7. (ANN). ARMAX.. ARMAX GDP.

69... - 40» (387) «..» (388). 0 «AHP (384). 69 (38). VAR ARIMA» (39) «:(ANN).4. (384) 359-89 - Bentzen, J. and T. Engsted (993), Short- and Long-run Elasticities in Energy Demand,a Cointegration Approach, Energy Economics. PP.(9-6). Chao-Hsien Chu & Djohan Widjaja (994), Neural Network System for Forecasting, Method Selection, Decision Support Systems vol.. Pedregal, D. J., Dejua n, O., Go mez, N. & M. A. Tobarra (009), Modelling Demand for Crude Oil Products in Spain, Energy Policy, vol. 37. Enders, W. (004), Applied Econometric Time Series, (nd ed.) Danvers: Wiley.

7 70 Behrang, M. A., Assareh, E., Ghalambaz M., Assari, M. R. & A. R. Noghrehabadi (0), Forecasting future oil demand in iran using GSA, Energy, vol. 36. Organization of the Petroleum Exporting Countries(opec), 980-00. Tawfiq Al-Saba & Ibrahim El-Amin (00), Artificial Neural Networks as Aplied to Long-term Demand Forecasting Artificial Intelligence in Engineering Vol.3. Toksar Ant Colony Optimization Approach to Estimate Energy Demand of Turkey, Energy Policy, 35, 3984 3990 Totto, L. and T. M. Johnson (98), OPEC domestic oil demand: Future scenarios of product consumption, Program report, OPEC Downstream U nler, Improvement of energy demand forecasts using swarm intelligence:the case of Turkey with projections to 05, Energy Policy 36 (008) 937 944 Yousefi, Mohammadgholi (994), Industrialization and Trade Policies of OPEC Countries, Deep and Deep Publishers, New Delhi.