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 "Analiza szeregów czasowych" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-6 z 6
    Tytuł:
    Wielomodelowe prognozowanie liczby pasażerów przewożonych krajowym transportem lotniczym w Stanach Zjednoczonych w 2021 r.
    Multi-model forecast of the number of passengers transported by domestic air transport in the United States for 2021
    Autorzy:
    Kozicki, Bartosz
    Sowa, Bogdan
    Powiązania:
    https://bibliotekanauki.pl/articles/2085882.pdf
    Data publikacji:
    2021-07-31
    Wydawca:
    Polskie Wydawnictwo Ekonomiczne
    Tematy:
    transport
    transport lotniczy
    COVID-19
    prognozowanie
    analiza szeregów czasowych
    air transport
    forecasting
    time series analysis
    Opis:
    W artykule przedstawiono dane dotyczące liczby pasażerów przewiezionych pasażerskim transportem lotniczym krajowym i międzynarodowym w Stanach Zjednoczonych w ujęciu miesięcznym w latach 2003–2020 i ich prognozowania na 2021 r. Badania rozpoczęto od analizy i oceny dwóch szeregów czasowych dotyczących liczby pasażerów przewiezionych transportem lotniczym pasażerskim w Stanach Zjednoczonych w ujęciu krajowym i międzynarodowym. Zbudowano model Kleina, za pomocą którego wykonano prognozowanie szeregu czasowego liczby pasażerów przewożonych transportem lotniczym krajowym w ujęciu miesięcznym na rok 2021. Zbudowany model jest połączeniem prognozowania ilościowego i jakościowego.
    The article presents data on the number of passengers transported by domestic and international passenger air transport in the United States on a monthly basis in the years 2003–2020 and their forecasting for 2021. The research began with the analysis and evaluation of two time series concerning the number of passengers transported by passenger air transport in the United States in terms of national and international approach. The Klein model was built, which was used to forecast the time series of the number of passengers transported by domestic air transport on a monthly basis for the year 2021. The constructed model is a combination of quantitative and qualitative forecasting.
    Źródło:
    Gospodarka Materiałowa i Logistyka; 2021, 7; 23-32
    1231-2037
    Pojawia się w:
    Gospodarka Materiałowa i Logistyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie modelu Wintersa do prognozowania jakości powietrza powiatu kędzierzyńsko-kozielskiego
    Winters model - a study of applications for forecasting air quality in Kędzierzyn-Koźle county
    Autorzy:
    Szewczyk, M.
    Tłuczak, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/339242.pdf
    Data publikacji:
    2010
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    analiza szeregów czasowych
    prognozowanie
    jakość powietrza
    zarządzanie jakością powietrza
    air quality management
    air quality
    forecasting
    time-series analysis
    Opis:
    Powiat Kędzierzyn-Koźle jest jednostką administracji terytorialnej i samorządowej województwa opolskiego, w południowo-zachodniej Polsce. Istniejąca w Kędzierzynie-Koźlu sieć monitoringu powietrza obejmuje dziś tylko jedną w pełni automatyczną stację monitoringu. Emisja wielu zanieczyszczeń powietrza w Kędzierzynie-Koźlu zmniejszyła się znacząco od 1992 r., jednak od 2007 r. stężenie NO2 i pyłu zawieszonego PM10 w powietrzu się nie zmniejszyło. Zmniejszenie stężenia zanieczyszczeń powietrza jest nadal konieczne. Prognozowanie jakości powietrza to jeden z kluczowych elementów współczesnego zarządzania jakością powietrza. W artykule przedstawiono modele i prognozy stężenia SO2, NO2, CO, O3 i PM10, skonstruowane na podstawie danych, pozyskanych z automatycznej stacji monitoringu w Kędzierzynie-Koźlu.
    Kędzierzyn-Koźle County is a unit of territorial administration and local government in Opole Voivodeship, south-western Poland. The existing air monitoring network in Kędzierzyn-Koźle comprises only one fully automatic monitoring station now. In Kędzierzyn-Koźle, emissions of many air pollutants have substantially decreased since 1992. However, since 2007, measured concentrations of NO2 and particulate matter PM10 in the air have not shown any improvement. The need to reduce air pollution still remains an important issue. Air quality forecasting is one of the core elements of contemporary air quality management. This paper presents models and forecasts of SO2, NO2, CO, O3 and PM10 concentrations based on data from automatic monitoring station in Kędzierzyn-Koźle.
    Źródło:
    Woda-Środowisko-Obszary Wiejskie; 2010, 10, 3; 283-296
    1642-8145
    Pojawia się w:
    Woda-Środowisko-Obszary Wiejskie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The importance of data revisions for statistical inference
    Znaczenie rewizji danych dla wnioskowania statystycznego
    Autorzy:
    Ziembińska, Paulina
    Powiązania:
    https://bibliotekanauki.pl/articles/985676.pdf
    Data publikacji:
    2021
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    data revisions
    real-time data
    time series analysis
    forecasting
    rewizje danych
    dane w czasie rzeczywistym
    analiza szeregów czasowych
    prognozowanie
    Opis:
    The aim of the study is a quantitative analysis of revisions conducted by means of a new, real-time macroeconomic dataset for Poland, designed on the basis of the Statistical bulletin (Biuletyn statystyczny) published by Statistics Poland, covering the period from as early as 1995 until 2017. Polish data have positively verified a number of hypotheses concerning the impact of data revisions on the modelling process. Procedures assessing the properties of time series can yield widely discrepant results, depending on the extent to which the applied data have been revised. A comparison of the fitted ARIMA models for series of initial and final data demonstrates that the fitted models are similar for the majority of variables. In the cases where the form of the model is identical for both series, the coefficients retain their scale and sign. Most differences between coefficients result from a different structure of the fitted model, which causes differ-ences in the autoregressive structure and can have a considerable impact on the ex ante infer-ence. A prognostic experiment confirmed these observations. For a large number of variables, the total impact of revisions on the forecasting process exceeds 10%. Extreme cases, where the impact goes beyond 100%, or situations where data have a direct impact on the forecast sign, are also relatively frequent. Taking these results into account by forecasters could significantly improve the quality of their predictions. The forecast horizon has a minor impact on these conclusions. The article is a continuation of the author's work from 2017.
    Celem pracy jest ilościowa analiza rewizji danych makroekonomicznych w czasie rzeczywistym dla Polski pochodzących z nowego zbioru utworzonego na podstawie „Biuletynu statystycznego” GUS i obejmującego okres od 1995 do 2017 r. Polskie dane pozytywnie weryfikują wiele hipotez dotyczących wpływu rewizji danych na proces modelowania. Procedury oceniające własności szeregów czasowych mogą dawać istotnie różne wyniki w zależności od tego, jak bardzo rewidowane dane zostaną użyte. Porównanie dopasowanych modeli ARIMA dla szeregów pierwszych i finalnych odczytów wskazuje, że w przypadku większości zmiennych dopasowane modele są podobne. Gdy postać modelu jest taka sama dla obu szeregów, współczynniki zachowują skalę i znak. Większość różnic we współczynnikach wynika z odmiennej struktury dopasowanego modelu, co wpływa na różnice w strukturze autoregresyjnej i może mieć niemały wpływ na wnioskowanie ex ante. Potwierdza to eksperyment prognostyczny. Dla dużej części zmiennych całkowity wpływ rewizji na proces prognozowania wynosi powyżej 10%. Nie są też wyjątkiem ekstremalne przypadki, w których ten wpływ przekracza 100%, czy sytuacje, w których dane bezpośrednio wpływają na znak prognozy. Uwzględnienie tych wyników przez prognostów mogłoby znacząco poprawić jakość predykcji. Horyzont prognozy ma niewielki wpływ na te konkluzje. Artykuł jest kontynuacją pracy autorki z 2017 r.
    Źródło:
    Wiadomości Statystyczne. The Polish Statistician; 2021, 66, 2; 7-24
    0043-518X
    Pojawia się w:
    Wiadomości Statystyczne. The Polish Statistician
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prognozowanie wskaźnika nagromadzenia odpadów w ujęciu zmian osobistych wydatków konsumpcyjnych za pomocą modelu wektorowo-autoregresyjnego
    FORECASTING OF MUNICIPAL WASTE ACCUMULATION RATE IN THE APPROACH TO CHANGES IN PERSONAL CONSUMER EXPENDITURE BY MEANS OF A VECTOR-AUTOREGRESSIVE MODEL
    Autorzy:
    Bień, Jurand
    Bień, Beata
    Krawczyk, Piotr
    Powiązania:
    https://bibliotekanauki.pl/chapters/33534354.pdf
    Data publikacji:
    2023-12-07
    Wydawca:
    Politechnika Częstochowska. Wydawnictwo Politechniki Częstochowskiej
    Tematy:
    analiza szeregów czasowych
    model wektorowo-autoregresyjny
    prognozo-wanie
    wskaźnik nagromadzenia odpadów
    wydatki konsumpcyjne
    consumer expenditures
    forecasting
    time-series analysis
    vector-autoregression model
    waste accumulation rate
    Opis:
    Prognozowanie ilości wytwarzanych odpadów komunalnych jest ważne dla planowania, eksploatacji i optymalizacji prawidłowo funkcjonującego systemu gospodarki odpadami komunalnymi. Nie jest to jednak łatwe zadanie ze względu na szereg dynamicznych zmian będących wynikiem przeobrażeń demograficznych, społecznych, ekonomicznych, czasem wręcz nieprzewidywalnych. Początkowo do prognozowania stosowano głównie konwencjonalne, opisowe modele statystyczne prognozowania wytwarzania odpadów z uwzględnieniem czynników demograficznych i społeczno-ekonomicznych. Obecnie jednak coraz częściej metody te zastępowane są przez metody oparte na uczeniu maszynowym, które to stanowi podzbiór sztucznej inteligencji. Uczenie maszynowe to nic innego jak nauczenie komputerów, jak uczyć się na danych i doskonalić w miarę zdobywania doświadczenia. W niniejszej publikacji przeanalizowano zmiany wskaźnika nagromadzenie odpadów komunalnych w jego relacji do wydatków na osobistą konsumpcję w oparciu o dane pozyskane z Banku Danych Lokalnych (BDL) prowadzonego przez Główny Urząd Statystyczny. Analiza, a następnie prognoza przeprowadzona została z wykorzystaniem modelu wektorowo-autoregresyjnego, gdzie każda ze zmiennych opisana została osobnym równaniem modelu, w którym zmiennymi niezależnymi są opóźnienia wszystkich zmiennych zależnych. Uzyskane wyniki pokazały, że taka metoda może być z powodzeniem stosowana do prognozowania wskaźnika nagromadzenia odpadów w ujęciu zmian osobistych wydatków konsumpcyjnych przy przybliżonym poziomie 2,3% błędu średniokwadratowego (RMSE).
    Forecasting the amount of municipal waste generated is important for the planning, operation and optimization of a properly functioning municipal waste management system. However, it is not an easy task due to a number of dynamic changes resulting from demographic, social and economic transformations, some of them unpredictable. Initially, mainly conventional, descriptive statistical models of forecasting waste generation, taking into account demographic and socio-economic factors, were used for prognosis. Currently more and more often these methods are replaced by methods based on machine learning, which is a subset of artificial intelligence. Machine learning teaches computers to learn from data and improve the model as they gain experience. The chapter analyses the changes in the municipal waste accumulation ratio in relation to expenditure on personal consumption based on data obtained from the Local Data Bank (LDB) run by the Polish Central Statistical Office. The analysis, and then the forecasting, was carried out with the use of a vector-autoregressive model, where each variable was described with a separate model equation, in which the independent variables are the delays of all dependent variables. The results showed that such a method can be successfully used to forecast the waste accumulation rate in terms of changes in personal consumption expenditure at an approximate level of 2.3% mean square error (RMSE).
    Źródło:
    Czysta energia i środowisko; 95-107
    9788371939044
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Forecasting municipal waste accumulation rate and personal consumption expenditures using vector autoregressive (VAR) model
    Autorzy:
    Bień, Jurand
    Powiązania:
    https://bibliotekanauki.pl/articles/23966648.pdf
    Data publikacji:
    2022
    Wydawca:
    Stowarzyszenie Menedżerów Jakości i Produkcji
    Tematy:
    wskaźnik akumulacji odpadów
    wydatki konsumpcyjne
    prognozowanie
    analiza szeregów czasowych
    wielowymiarowe szeregi czasowe
    model autoregresji wektorowej
    waste accumulation rate
    consumption expenditures
    forecasting
    time-series analysis
    multivariate time series models
    vector autoregression model
    Opis:
    Accurate forecasting of municipal solid waste (MSW) generation is important for the planning, operation and optimization of municipal waste management system. However, it’s not easy task due to dynamic changes in waste volume, its composition or unpredictable factors. Initially, mainly conventional and descriptive statistical models of waste generation forecasting with demographic and socioeconomic factors were used. Methods based on machine learning or artificial intelligence have been widely used in municipal waste projection for several years. This study investigates the trend of municipal waste accumulation rate and its relation to personal consumption expenditures based on the yearly data achieved from Local Data Bank (LDB) driven by Polish Statistical Office. The effect of personal consumption expenditures on the municipal waste accumulation rate was analysed by using the vector autoregressive model (VAR). The results showed that such method can be successfully used for this purpose with an approximate level of 2.3% Root Mean Square Error (RMSE).
    Źródło:
    Production Engineering Archives; 2022, 28, 2; 150--156
    2353-5156
    2353-7779
    Pojawia się w:
    Production Engineering Archives
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Review of the book ,,The analysis and forecasting of time series. Practical introduction on the basis of the R environment by: A. Zagdanski and A. Suchwałko
    Autorzy:
    Burnecki, Krzysztof
    Powiązania:
    https://bibliotekanauki.pl/articles/747794.pdf
    Data publikacji:
    2016
    Wydawca:
    Polskie Towarzystwo Matematyczne
    Tematy:
    time series models
    forecasting
    data analysis
    modele szeregów czasowych
    prognozowanie
    analiza danych
    Opis:
    Niniejsza książka stanowi praktyczne wprowadzenie do modelowania w środowisku R różnorodnych danych zbieranych w regularnych odstępach czasu. Książka adresowana jest do wszystkich zainteresowanych modelami szeregów czasowych a szczególnie do studentów i absolwentów kierunków ścisłych, ekonomicznych oraz technicznych.
    This book provides a practical introduction to the R environment variety of modeling data collected at regular intervals. The book is addressed to anyone interested in time series models, and mainly to students and graduates of scientific, economic and technical faculties. 
    Źródło:
    Mathematica Applicanda; 2016, 44, 2
    1730-2668
    2299-4009
    Pojawia się w:
    Mathematica Applicanda
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-6 z 6

      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