| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 4 / 4
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Napovedovanje proizvodnega programa
Tadej Pungartnik, 2015, magistrsko delo

Opis: 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.
Ključne besede: napovedovanje, časovna vrsta, kvalitativne metode napovedovanja, kvantitativne metode napovedovanja, natančnost napovedovanja
Objavljeno: 28.05.2015; Ogledov: 1113; Prenosov: 136
.pdf Celotno besedilo (2,37 MB)

2.
Klasifikacija dogodkov v časovnih vrstah s strojnim učenjem
Domen Kavran, 2018, diplomsko delo

Opis: 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.
Ključne besede: klasifikacija, časovna vrsta, strojno učenje, segmentacija
Objavljeno: 28.08.2018; Ogledov: 825; Prenosov: 98
.pdf Celotno besedilo (979,03 KB)

3.
Avtomatiziran sistem za borzno trgovanje
Matevž Celcer, 2019, diplomsko delo

Opis: 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.
Ključne besede: časovne vrste, avtoregresivna časovna vrsta, AR, tekoče povprečje MA, ARIMA, ponavljajoče se nevronske mreže, RNN, avtomatizirano borzno trgovanje, japonske svečke
Objavljeno: 21.11.2019; Ogledov: 27; Prenosov: 6
.pdf Celotno besedilo (1,38 MB)

4.
Kratkoročno napovedovanje lokalnih vremenskih parametrov s konvolucijsko nevronsko mrežo
Aljaž Razpotnik, 2019, magistrsko delo

Opis: 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.
Ključne besede: vremenski parametri, časovna vrsta, napovedovanje, nevronska mreža, regresijsko drevo
Objavljeno: 10.12.2019; Ogledov: 83; Prenosov: 23
.pdf Celotno besedilo (9,60 MB)

Iskanje izvedeno v 0.06 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici