Informacja

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

Wyszukujesz frazę "ARIMA" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Analiza porównawcza prognozowania produkcji budowlanej z zastosowaniem metod regresji krokowej, sieci neuronowych i ARIMA
Comparative analysis of building production forecasting using regression, neural networks and ARIMA methods
Autorzy:
Rogalska, M.
Hejducki, Z.
Powiązania:
https://bibliotekanauki.pl/articles/347484.pdf
Data publikacji:
2010
Wydawca:
Akademia Wojsk Lądowych imienia generała Tadeusza Kościuszki
Tematy:
prognozy
produkcja budowlano-montażowa
regresja krokowa
sieci neuronowe
ARIMA
forecast
building and assembling production
regression
neural networks
Opis:
W pracy analizowano możliwość prognozowania produkcji budowlano montażowej województwa dolnośląskiego metodami regresji, sieci neuronowych i ARIMA (Autoregressive Integrated Moving Average - autoregresyjny zintegrowany proces średniej ruchomej). Do prognozowania w metodzie regresji użyto danych pogodowych dziennych województwa dolnośląskiego. Potencjalne predyktory eliminowano, sprawdzając normalność ich rozkładów (testami Kołmogorowa- Smirnowa, Lilliefoesa i Chi kwadrat),warunek braku korelacji między zmiennymi (współczynnik korelacji) oraz warunek równości wariancji pomiędzy zmiennymi (testy Levene’a i Browna-Forsythe’a). Do obliczeń metodą sieci neuronowych użyto sieci MLP i RBF, wprowadzając wszystkie uzyskane dane pogodowe. W metodzie ARIMA prognozowanie odbywało się na podstawie wartości statystycznych z lat poprzednich. Przeprowadzono analizę wyników, obliczając błędy ME, MAE, MPE i MAPE. Zaproponowano kierunek dalszych badań.
The study analyzed the possibility of forecasting of Lower Silesia building production using regression, neural networks and ARIMA methods. For the forecasting regression method, daily weather data of Lower Silesia were used. Potential predictors were eliminated by checking the following: the normality of their distributions (Kolmogorov-Smirnov , Lilliefoes and Chi square tests), the condition of absence of correlation between variables (correlation coefficient) and the condition of equality of variance between the variables (Levene, Brown-Forsythe tests). To perform calculations with the neural networks method, MLP and RBF networks were used by entering all the weather data obtained. In the case of the ARIMA method, forecasting was carried out on the basis of statistical values from previous years. An analysis of errors was performed by calculating ME, MAE, MPE and MAPE errors. The direction of further research was proposed.
Źródło:
Zeszyty Naukowe / Wyższa Szkoła Oficerska Wojsk Lądowych im. gen. T. Kościuszki; 2010, 3; 282-295
1731-8157
Pojawia się w:
Zeszyty Naukowe / Wyższa Szkoła Oficerska Wojsk Lądowych im. gen. T. Kościuszki
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Analiza porównawcza prognozowania produkcji budowlanej z zastosowaniem metod regresji korkowej, sieci neuronowych i ARIMA. Część II
Comparative analysis of construction production forecasting with stepwise regression, neural networks and ARIMA. Part II
Autorzy:
Rogalska, M.
Hejducki, Z.
Powiązania:
https://bibliotekanauki.pl/articles/347984.pdf
Data publikacji:
2011
Wydawca:
Akademia Wojsk Lądowych imienia generała Tadeusza Kościuszki
Tematy:
prognozy
produkcja budowlano-montażowa
regresja krokowa
sieci neuronowe
ARIMA
forecast
construction and assembly production
stepwise regression
neural networks
Opis:
W pracy analizowano możliwość prognozowania produkcji budowlano montażowej województwa dolnośląskiego metodami regresji, sieci neuronowych i ARIMA (Autoregressive Integrated Moving Average - autoregresyjny zintegrowany proces średniej ruchomej). Do prognozowania w metodzie regresji użyto danych pogodowych dziennych województwa dolnośląskiego oraz danych ekonomicznych dotyczących ilości zatrudnionych pracowników w sektorze budownictwo i średnich zarobków pracowników w tym sektorze. Przeprowadzono analizę wyników obliczając błędy ME, MAE, MPE, MAPE oraz współczynniki Theila I, I2,I1 2, I2 2, I3 2. Sformułowano wnioski z obliczeń.
The article analyses the possibilities of forecasting Lower Silesia’s construction production with stepwise regression, neural networks and ARIMA (Autoregressive Integrated Moving Average) methods. For the forecasting with the stepwise regression method the authors use the daily weather data of Lower Silesia and economic data: the number of employees in the construction sector and the average earnings of workers in this sector. The analysis of results by calculating errors ME, MAE, MPE, MAPE and Theil coefficients I, I2,I1 2, I2 2, I3 2 was performed. The authors of the article also propose the scope for further research.
Źródło:
Zeszyty Naukowe / Wyższa Szkoła Oficerska Wojsk Lądowych im. gen. T. Kościuszki; 2011, 2; 285-296
1731-8157
Pojawia się w:
Zeszyty Naukowe / Wyższa Szkoła Oficerska Wojsk Lądowych im. gen. T. Kościuszki
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    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