Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "short term prediction" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-13 z 13
    Tytuł:
    Determination of the inland units models parameters for short-term prediction
    Autorzy:
    Bilewski, M.
    Gucma, L.
    Puszcz, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/360014.pdf
    Data publikacji:
    2013
    Wydawca:
    Akademia Morska w Szczecinie. Wydawnictwo AMSz
    Tematy:
    short term prediction
    inland units
    manoeuvring
    hydrodynamics
    navigation simulator
    Opis:
    Short-term prediction is a tool that helps to manoeuvre inland units, allows assessing the effect of the planned manoeuvre and reduces the probability of collision. Model of ships hydrodynamics is required to perform this task. In the paper simple to implement solution based on a Nomoto model is proposed. Method of determi ning the parameters of the model was presented. Researches were carried out with use of INSim Inland Navigation Simulator.
    Źródło:
    Zeszyty Naukowe Akademii Morskiej w Szczecinie; 2013, 36 (108) z. 1; 32-37
    1733-8670
    2392-0378
    Pojawia się w:
    Zeszyty Naukowe Akademii Morskiej w Szczecinie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Short term prediction of stock index changes based on linear classification
    Krótkoterminowe prognozowanie indeksów giełdowych w oparciu o klasyfikator liniowy
    Autorzy:
    Krawczuk, J.
    Bobrowski, L.
    Powiązania:
    https://bibliotekanauki.pl/articles/404168.pdf
    Data publikacji:
    2010
    Wydawca:
    Polskie Towarzystwo Symulacji Komputerowej
    Tematy:
    prognozowanie krótkoterminowe
    zmiany indeksu giełdowego
    klasyfikator liniowy
    short term prediction
    stock index changes
    linear classifier
    Opis:
    This article describe the linear classifier based on convex and piecewise-linear function (CPL) and it application to market prediction. In an experiment we use CPL linear classifier to predict direction of one day change in stock index price. We use classification approach to predict only direction of change (grow or decline) of the index, not it quantity as in regression approach. Total number of instruments used in experiment including currencies is 42. Prediction of one index is based on historical prices of all 42 indexes. Using 7 historical values for each index it produce 294 attributes. Such high dimensional feature space was reduced by feature selection method - relaxed linear separability (RLS). Details of this methodology are also presented. Features was selected and model was build on training data. Test data (holdout data) was used for checking model accuracy. Model in average correctly classify (predict) 51.9 per cent direction of daily index changes.
    W artykule opisano klasyfikator liniowy oparty o wypukłe i odcinkowo-liniowe funkcje kary (CPL) i jego zastosowanie w prognozowaniu giełdy. W przeprowadzonym eksperymencie klasyfikator liniowy CPL został użyty do prognozy kierunku jednodniowej zmiany indeksów giełdowych. W zastosowanym podejściu klasyfikacyjnym prognozowano jedynie kierunek zmian (wzrost lub spadek), a nie dokładną wartość indeksu (podejście regresyjne). W eksperymencie użyto 42 instrumentów finansowych, w tym m.in. kursów walut. Jednodniowa prognoza wybranego instrumentu budowana jest w oparciu o wartości historyczne wszystkich 42 instrumentów. Używając 7 danych historycznych dla każdego instrumentu, uzyskano w sumie 294 atrybuty. Tak wielowymiarowa przestrzeń została zredukowana metodą selekcji cech opartą o relaksację liniowej separowalności. Metoda ta została opisana szczegółowo. Selekcja cech i budowa modelu w wybranej podprzestrzeni została przeprowadzona na zbiorze uczącym (treningowym). Natomiast ocena modelu została przeprowadzona na zbiorze testowym. Otrzymany wynik to średnio 51.9 procent prawidłowo sklasyfikowanych (prognozowanych) dziennych zmian indeksów giełdowych.
    Źródło:
    Symulacja w Badaniach i Rozwoju; 2010, 1, 4; 363-373
    2081-6154
    Pojawia się w:
    Symulacja w Badaniach i Rozwoju
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Krótkoterminowe prognozowanie zapotrzebowania na energię elektryczną odbiorców wiejskich przy wykorzystaniu modeli Mamdaniego
    Short-term prediction of electric energy demand by rural consumers with the use of Mamdani models
    Autorzy:
    Trojanowska, M.
    Małopolski, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/239850.pdf
    Data publikacji:
    2007
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    energia elektryczna
    prognozowanie krótkoterminowe
    modele rozmyte
    electric energy demand
    rural customers
    short-term prediction
    fuzzy models
    Opis:
    W pracy zbudowano modele z wnioskowaniem typu Mamdani do godzinowego prognozowania zapotrzebowania na energię elektryczną odbiorców wiejskich, jako charakterystycznej grupy użytkowników energii. Ze względu na charakter zmienności obciążeń opracowano odrębne modele dla typowych dni tygodnia. Przeprowadzona analiza wykazała przydatność tych modeli do krótkoterminowej predykcji i ich konkurencyjność w stosunku do modeli neuronowych.
    The models with Mamdani type of concluding were developed in order to predict the hourly demand of electric energy supplies to the rural customers as a characteristic group of electricity users. Because of the character of demands' variability, separate models for typical week-days were designed. The analysis that was carried out, showed the usefulness of these models to make the short-term predictions and their competitiveness in relation to the neural models.
    Źródło:
    Problemy Inżynierii Rolniczej; 2007, R. 15, nr 3, 3; 35-42
    1231-0093
    Pojawia się w:
    Problemy Inżynierii Rolniczej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Performance analysis of LSTM model with multi-step ahead strategies for a short-term traffic flow prediction
    Autorzy:
    Doğan, Erdem
    Powiązania:
    https://bibliotekanauki.pl/articles/2134868.pdf
    Data publikacji:
    2021
    Wydawca:
    Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
    Tematy:
    traffic flow
    LSTM
    short-term prediction
    multi-step ahead strategies
    przepływ ruchu
    prognozowanie krótkoterminowe
    strategie wieloetapowego wyprzedzania
    Opis:
    In this study, the effect of direct and recursive multi-step forecasting strategies on the short-term traffic flow forecast performance of the Long Short-Term Memory (LSTM) model is investigated. To increase the reliability of the results, analyses are carried out with various traffic flow data sets. In addition, databases are clustered using the k-means++ algorithm to reduce the number of experiments. Analyses are performed for different time periods. Thus, the contribution of strategies to LSTM was examined in detail. The results of the recursive based strategy performances are not satisfactory. However, different versions of the direct strategy performed better at different time periods. This research makes an important contribution to clarifying the compatibility of LSTM and forecasting strategies. Thus, more efficient traffic flow prediction models will be developed and systems such as Intelligent Transportation System (ITS) will work more efficiently. A practical implication for researchers that forecasting strategies should be selected based on time periods.
    Źródło:
    Zeszyty Naukowe. Transport / Politechnika Śląska; 2021, 111; 15--31
    0209-3324
    2450-1549
    Pojawia się w:
    Zeszyty Naukowe. Transport / Politechnika Śląska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie metod ekonometrycznych na konkurencyjnych rynkach energii elektrycznej
    Econometric analysis in competitive electricity markets
    Autorzy:
    Kwas, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/452953.pdf
    Data publikacji:
    2010
    Wydawca:
    Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Katedra Ekonometrii i Statystyki
    Tematy:
    konkurencyjne rynki energii
    rynek bilansujący
    prognoza krótkoterminowa
    modele SARIMA
    zarządzanie ryzykiem
    competitive electricity markets
    balancing market
    short term prediction
    SARIMA
    risk management
    Opis:
    W pracy przedstawione są możliwości zastosowania metod ekonometrycznych do prognozowania cen na konkurencyjnym rynku energii elektrycznej w Polsce. Uwolnienie rynku sprawiło, że hurtowe ceny energii są w dużej części kształtowane przez grę rynkową, a oszacowanie ryzyka pozycji kontraktowej i zarządzanie nim wymaga sporządzania prognoz cen dla każdej godziny. Użyte metody muszą zapewnić nie tylko dokładność prognozy ale również wyznaczyć ją w rozsądnym czasie. W celu ilustracji i umotywowania tematyki badawczej, praca zawiera obszerne omówienie współczesnych rynków energii elektrycznej, w tym polskiego.
    The paper presents an application of econometric methods to modeling and predicting energy prices on competitive electricity markets. Since the beginning of market liberalization, electricity prices are no longer settled only by bilateral contracts but also driven by market forces of supply and demand. Price prediction became important to assess and manage market risk. This requires efficient algorithms for computing detailed hourly forecasts. In order to motivate and illustrate the subject we discuss the properties of competitive electricity markets, emphasizing Polish market specifics.
    Źródło:
    Metody Ilościowe w Badaniach Ekonomicznych; 2010, 11, 2; 181-190
    2082-792X
    Pojawia się w:
    Metody Ilościowe w Badaniach Ekonomicznych
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Ultra-short-term wind power prediction based on copula function and bivariate EMD decomposition algorithm
    Autorzy:
    Liu, Haiqing
    Lin, Weijian
    Li, Yuancheng
    Powiązania:
    https://bibliotekanauki.pl/articles/140702.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    bivariate EMD decomposition
    copula function
    GRU network
    meteorological factor
    ultra-short-term wind power prediction
    Opis:
    Against the background of increasing installed capacity of wind power in the power generation system, high-precision ultra-short-term wind power prediction is significant for safe and reliable operation of the power generation system. We present a method for ultra-short-term wind power prediction based on a copula function, bivariate empirical mode decomposition (BEMD) algorithm and gated recurrent unit (GRU) neural network. First we use the copula function to analyze the nonlinear correlation between wind power and external factors to extract the key factors influencing wind power generation. Then the joint data composed of the key factors and wind power are decomposed into a series of stationary subsequence data by a BEMD algorithm which can decompose the bivariate data jointly. Finally, the prediction model based on a GRU network uses the decomposed data as the input to predict the power output in the next four hours. The experimental results show that the proposed method can effectively improve the accuracy of ultra-short-term wind power prediction.
    Źródło:
    Archives of Electrical Engineering; 2020, 69, 2; 271-286
    1427-4221
    2300-2506
    Pojawia się w:
    Archives of Electrical Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Motion prediction of moving objects in a robot navigational environment using fuzzy-based decision tree approach
    Autorzy:
    Rajpurohit, V. S.
    Manohara Pai, M. M.
    Powiązania:
    https://bibliotekanauki.pl/articles/384387.pdf
    Data publikacji:
    2010
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
    Tematy:
    short term motion prediction
    fuzzy rule base
    rule base optimization
    fuzzy predictor algorithm
    directional space approach
    decision tree approach
    Opis:
    In a dynamic robot navigation system the robot has to avoid both static and dynamic objects on its way to destination. Predicting the next instance position of a moving object in a navigational environment is a critical issue as it involves uncertainty. This paper proposes a fuzzy rulebased motion prediction algorithm for predicting the next instance position of moving human motion patterns. Fuzzy rule base has been optimized by directional space approach and decision tree approach. The prediction algorithm is tested for real-life bench- marked human motion data sets and compared with existing motion prediction techniques. Results of the study indicate that the performance of the predictor is comparable to the existing prediction methods.
    Źródło:
    Journal of Automation Mobile Robotics and Intelligent Systems; 2010, 4, 4; 11-18
    1897-8649
    2080-2145
    Pojawia się w:
    Journal of Automation Mobile Robotics and Intelligent Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Econometric modelling of compound cyclicality of using telecommunication services
    Autorzy:
    Kaczmarczyk, Paweł
    Powiązania:
    https://bibliotekanauki.pl/articles/1195955.pdf
    Data publikacji:
    2021
    Wydawca:
    Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
    Tematy:
    cyclical components
    Decision Support System
    Prediction System
    short-term forecasting
    Opis:
    The aim of this study was to test the effectiveness of an econometric model with dichotomous (binary) explanatory variables in the approximation and prediction of different kinds of cyclicality (annual, monthly, weekly, and daily) of demand for telephone services. The analyses were conducted with the use of data provided by the selected telecommunication network operator. The data included hourly combined demand for specified telephone services (in seconds) of outgoing calls within the framework of the particular subscriber group (business or individual), the given day, the particular month, and the specific category of connection. All kinds of the cyclicality were confirmed in models with 70 explanatory variables (i.e. in models without holidays). The inclusion of the variables set denoting specific holidays improved goodness of the models fit to the data. The econometric modelling of cyclical components and the forecasting of it with the use of dichotomous variables was effective.
    Źródło:
    Econometrics. Ekonometria. Advances in Applied Data Analytics; 2021, 25, 2; 27-45
    1507-3866
    Pojawia się w:
    Econometrics. Ekonometria. Advances in Applied Data Analytics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An intelligent approach to short-term wind power prediction using deep neural networks
    Autorzy:
    Niksa-Rynkiewicz, Tacjana
    Stomma, Piotr
    Witkowska, Anna
    Rutkowska, Danuta
    Słowik, Adam
    Cpałka, Krzysztof
    Jaworek-Korjakowska, Joanna
    Kolendo, Piotr
    Powiązania:
    https://bibliotekanauki.pl/articles/23944826.pdf
    Data publikacji:
    2023
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    renewable energy
    wind energy
    wind power
    wind turbine
    short-term wind power prediction
    deep learning
    convolutional neural networks
    gated recurrent unit
    hierarchical multilayer perceptron
    deep neural networks
    Opis:
    In this paper, an intelligent approach to the Short-Term Wind Power Prediction (STWPP) problem is considered, with the use of various types of Deep Neural Networks (DNNs). The impact of the prediction time horizon length on accuracy, and the influence of temperature on prediction effectiveness have been analyzed. Three types of DNNs have been implemented and tested, including: CNN (Convolutional Neural Networks), GRU (Gated Recurrent Unit), and H-MLP (Hierarchical Multilayer Perceptron). The DNN architectures are part of the Deep Learning Prediction (DLP) framework that is applied in the Deep Learning Power Prediction System (DLPPS). The system is trained based on data that comes from a real wind farm. This is significant because the prediction results strongly depend on weather conditions in specific locations. The results obtained from the proposed system, for the real data, are presented and compared. The best result has been achieved for the GRU network. The key advantage of the system is a high effectiveness prediction using a minimal subset of parameters. The prediction of wind power in wind farms is very important as wind power capacity has shown a rapid increase, and has become a promising source of renewable energies.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2023, 13, 3; 197--210
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Interval Prediction of Remaining Useful Life based on Convolutional Auto-Encode and Lower Upper Bound Estimation
    Autorzy:
    Lyu, Yi
    Zhang, Qichen
    Chen, Aiguo
    Wen, Zhenfei
    Powiązania:
    https://bibliotekanauki.pl/articles/24200839.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    remaining useful life
    lower upper bound estimation
    Long Short-Term Memory
    prediction interval
    Opis:
    Deep learning is widely used in remaining useful life (RUL) prediction because it does not require prior knowledge and has strong nonlinear fitting ability. However, most of the existing prediction methods are point prediction. In practical engineering applications, confidence interval of RUL prediction is more important for maintenance strategies. This paper proposes an interval prediction model based on Long Short-Term Memory (LSTM) and lower upper bound estimation (LUBE) for RUL prediction. First, convolutional auto-encode network is used to encode the multi-dimensional sensor data into one-dimensional features, which can well represent the main degradation trend. Then, the features are input into the prediction framework composed of LSTM and LUBE for RUL interval prediction, which effectively solves the defect that the traditional LUBE network cannot analyze the internal time dependence of time series. In the experiment section, a case study is conducted using the turbofan engine data set CMAPSS, and the advantage is validated by carrying out a comparison with other methods.
    Źródło:
    Eksploatacja i Niezawodność; 2023, 25, 2; art. no. 165811
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A novel method of health indicator construction and remaining useful life prediction based on deep learning
    Autorzy:
    Zhan, Xianbiao
    Liu, Zixuan
    Yan, Hao
    Wu, Zhenghao
    Guo, Chiming
    Jia, Xisheng
    Powiązania:
    https://bibliotekanauki.pl/articles/27312791.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    stacked sparse autoencoder
    health indicator
    long short-term memory network
    remaining useful life prediction
    Opis:
    The construction of health indicators (HI) for traditional deep learning requires human training labels and poor interpretability. This paper proposes an HI construction method based on Stacked Sparse Autoencoder (SSAE) and combines SSAE with Long short-term memory (LSTM) network to predict the remaining useful life (RUL). Extracting features from a single domain may result in insufficient feature extraction and cannot comprehensively reflect the degradation status information of mechanical equipment. In order to solve the problem, this article extracts features from time domain, frequency domain, and time-frequency domain to construct a comprehensive original feature set. Based on monotonicity, trendiness, and robustness, the most sensitive features from the original feature set are selected and put into the SSAE network to construct HI for state partitioning, and then LSTM is used for RUL prediction. By comparing with the existing methods, it is proved that the prediction effect of the proposed method in this paper is satisfied.
    Źródło:
    Eksploatacja i Niezawodność; 2023, 25, 4; art. no. 171374
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Dynamic rating method of traction network based on wind speed prediction
    Autorzy:
    Su, Zhaoux
    Tian, Mingxing
    Sun, Lijun
    Zhang, Ruopeng
    Powiązania:
    https://bibliotekanauki.pl/articles/2086724.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    dynamic thermal rating
    IEEE-738
    short-term emergency dispatch
    time series model
    traction power supply
    wind speed prediction
    Opis:
    The operating temperature of the transmission line in the traction network is affected by geographical and climatic factors, especially the wind speed. To make better use of the thermal stability transmission capacity of the traction power supply system in improving the short-term emergency transmission capacity, the dynamic rating technology is introduced into the traction power supply system. According to the time-varying characteristics of the actual wind speed, a dynamic rating method of the traction network based on wind speed prediction is proposed and constructed. Based on the time series model in predicting the wind speed series along the corridor of the traction network, the temperature curve of each transmission line under different currents is calculated by combining it with the heat balance equation of an IEEE-738 capacity expansion model, thus the relationship between the peak operating temperature and current of each transmission line in the prediction period is obtained. According to the current distribution coefficient, the capacity increase limit of the traction network is determined. The example shows that the proposed dynamic rating method based on wind speed prediction is an effective method to predict the short-term safe capacity increase limit of the traction network, which can increase the comprehensive capacity of the traction network by about 45% in the next six hours, and the capacity increase effect is obvious, which can provide reference and technical support for short-term emergency dispatching of traction power supply dispatching centres.
    Źródło:
    Archives of Electrical Engineering; 2022, 71, 2; 379--395
    1427-4221
    2300-2506
    Pojawia się w:
    Archives of Electrical Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analysis and comparison of long short-term memory networks short-term traffic prediction performance
    Autorzy:
    Dogan, Erdem
    Powiązania:
    https://bibliotekanauki.pl/articles/2091136.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
    Tematy:
    deep learning
    traffic flow
    short-term
    prediction
    LSTM
    nonlinear autoregressive
    training set size
    uczenie głębokie
    ruch uliczny
    krótki termin
    prognoza
    autoregresja nieliniowa
    Opis:
    Long short-term memory networks (LSTM) produces promising results in the prediction of traffic flows. However, LSTM needs large numbers of data to produce satisfactory results. Therefore, the effect of LSTM training set size on performance and optimum training set size for short-term traffic flow prediction problems were investigated in this study. To achieve this, the numbers of data in the training set was set between 480 and 2800, and the prediction performance of the LSTMs trained using these adjusted training sets was measured. In addition, LSTM prediction results were compared with nonlinear autoregressive neural networks (NAR) trained using the same training sets. Consequently, it was seen that the increase in LSTM's training cluster size increased performance to a certain point. However, after this point, the performance decreased. Three main results emerged in this study: First, the optimum training set size for LSTM significantly improves the prediction performance of the model. Second, LSTM makes short-term traffic forecasting better than NAR. Third, LSTM predictions fluctuate less than the NAR model following instant traffic flow changes.
    Źródło:
    Zeszyty Naukowe. Transport / Politechnika Śląska; 2020, 107; 19--32
    0209-3324
    2450-1549
    Pojawia się w:
    Zeszyty Naukowe. Transport / Politechnika Śląska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-13 z 13

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies