| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 4 / 4
First pagePrevious page1Next pageLast page
1.
Kratkoročno napovedovanje lokalnih vremenskih parametrov s konvolucijsko nevronsko mrežo
Aljaž Razpotnik, 2019, master's thesis

Abstract: V magistrskem delu se ukvarjamo z napovedovanjem časovnih vrst. Časovno vrsto predstavljajo podatki vremenskih parametrov večjega števila krajev, ki smo jih pridobili iz spletnega arhiva Agencije Republike Slovenije za okolje. Za napovedovanje vremenskih parametrov izbranega kraja uporabimo pretekle podatke samega kraja in njegove okolice ter z njimi učimo napovedne modele ARIMAX, CART, GRU in kombinirani model CNN-LSTM. Pri kombiniranem modelu upoštevamo geografske soodvisnosti uporabljenih krajev, ki jih preslikamo v matriko. Iz predstavljenih rezultatov je razvidno, da sta najboljša modela za napovedovanje vremenskih parametrov GRU in CNN-LSTM.
Keywords: vremenski parametri, časovna vrsta, napovedovanje, nevronska mreža, regresijsko drevo
Published: 10.12.2019; Views: 575; Downloads: 141
.pdf Full text (9,60 MB)

2.
Avtomatiziran sistem za borzno trgovanje
Matevž Celcer, 2019, undergraduate thesis

Abstract: Namen diplomskega dela je bila raziskava in implementacija sodobnih načinov predvidevanja prihodnjih vrednosti delnic. Razloženi so koncepti borznega in avtomatiziranega trgovanja in japonske svečke. Uporabljeni so bili algoritmi RNN, AR, MA in ARIMA. Izdelek je napisan v celoti v programskem jeziku Python, ključni moduli za razvoj so bili Numpy, Pandas, Statsmodels in Keras. Uporabljena je bila verzija Python 3.7.1.
Keywords: časovne vrste, avtoregresivna časovna vrsta, AR, tekoče povprečje MA, ARIMA, ponavljajoče se nevronske mreže, RNN, avtomatizirano borzno trgovanje, japonske svečke
Published: 21.11.2019; Views: 290; Downloads: 44
.pdf Full text (1,38 MB)

3.
Klasifikacija dogodkov v časovnih vrstah s strojnim učenjem
Domen Kavran, 2018, undergraduate thesis

Abstract: V diplomskem delu opišemo algoritem segmentacije časovnih vrst in postopek priprave vektorjev značilnic segmentov za učenje in testiranje klasifikacijskih modelov za zaznavo dogodkov. Segmentacijo časovnih vrst izvedemo z algoritmom drsečega okna, kjer za merilo razdalje med vrednostmi uporabimo algoritem dinamičnega časovnega sledenja. Pripravo vektorjev značilnic segmentov začnemo z definiranjem slovarja lokalnih podsegmentov. Slovar je pridobljen z gručenjem K-povprečij. Vsak segment predstavimo z normaliziranim histogramom pojavitev lokalnih podsegmentov na podlagi slovarja. Za učenje klasifikacijskih modelov uporabimo algoritme strojnega učenja, ki se razlikujejo v računski zahtevnosti in doseženi natančnosti, na katero vplivajo tudi izbrani parametri segmentacije in velikost slovarja.
Keywords: klasifikacija, časovna vrsta, strojno učenje, segmentacija
Published: 28.08.2018; Views: 1192; Downloads: 150
.pdf Full text (979,03 KB)

4.
Napovedovanje proizvodnega programa
Tadej Pungartnik, 2015, master's thesis

Abstract: V magistrski nalogi je predstavljena problematika napovedovanja. V teoretičnem delu je najprej prikazan proces in pomen napovedovanja, ter dejavniki, ki vplivajo na napovedovanje. Sledi podroben pregled kvantitativnih ter kvalitativnih metod napovedovanja. V nadaljevanju teoretičnega dela so predstavljeni načini merjenja natančnosti napovedovanja. Teoretičnemu delu magistrske naloge sledi praktičen prikaz izdelave napovedi. Glavni cilj magistrske naloge je bil izdelati napovedi z uporabo izbranih kvalitativnih metod napovedovanja na podlagi realnih podatkov v obliki časovnih vrst. Metode, ki smo jih uporabili pri napovedovanju so: napovedi iz linearnega trenda, metoda drsečega povprečja, metoda uteženega drsečega povprečja in metoda enostavnega eksponentnega glajenja. Z uporabo teh štirih izbranih metod smo dobili dvanajst različnih napovedi za tri izbrane primere. Rezultate napovedovanja smo primerjali z dejanskimi podatki in tako določili odstopanja in posledično natančnost posameznih metod napovedovanja. Na podlagi medsebojne primerjave odstopanj in napak pri posameznih metodah smo lahko določili najprimernejšo metodo za napovedovanje. Le ta je v našem primeru metoda uteženega drsečega povprečja. Ta metoda se je namreč izkazala kot najbolj natančna pri vseh treh primerih napovedovanja na podlagi časovnih vrst realnih podatkov. Ob koncu smo za vsak realni primer napovedovanja razvrstili metode po vrstnem redu glede na natančnost.
Keywords: napovedovanje, časovna vrsta, kvalitativne metode napovedovanja, kvantitativne metode napovedovanja, natančnost napovedovanja
Published: 28.05.2015; Views: 1484; Downloads: 184
.pdf Full text (2,37 MB)

Search done in 0.11 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica