| | 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 - 3 / 3
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Uporaba strojnega učenja za napovedovanje škodnih dogodkov
Vito Čoh, 2020, magistrsko delo

Opis: V magistrskem delu je predstavljena uporaba posplošenega linearnega modela in različnih metod strojnega učenja v zavarovalništvu. Delo je razdeljeno na teoretični in praktični del. Na začetku teoretičnega dela so opisani osnovni pojmi iz verjetnosti in zavarovalništva. Predstavljeno je tudi, kako zavarovalnice določijo višino premije. Nato sta predstavljena teoretično ozadje posplošenega linearnega modela in uporaba tega modela za napovedovanje višine škode. Na koncu teoretičnega dela pa je opisano strojno učenje in bolj podrobno so predstavljena odločitvena drevesa, naključni gozdovi ter nevronske mreže. V praktičnem delu magistrskega dela pa so posplošeni linearni model, naključni gozd in nevronska mreža uporabljeni za napovedovanje višine škode pri avtomobilskem zavarovanju. Najprej so podatki predstavljeni ter ustrezno obdelani. Nato so določeni parametri posameznih modelov. Na koncu pa so modeli med seboj primerjani in izbran je najboljši model.
Ključne besede: zavarovalništvo, posplošeni linearni model, strojno učenje, odločitveno drevo, naključni gozd, nevronska mreža
Objavljeno: 09.06.2020; Ogledov: 279; Prenosov: 46
.pdf Celotno besedilo (1,53 MB)

2.
Napovedovalni model proizvodnje energije v digitalnem dvojčku sončne elektrarne
Lea Zajc, 2018, magistrsko delo

Opis: Magistrsko delo obravnava koncept digitalnega dvojčka in predstavi implementacijo digitalnega dvojčka sončne elektrarne s tehnologijo napovedovanja proizvodnje električne energije. Implementiranih je pet metod napovedovanja s poudarkom na metodi naključnih gozdov. Delo je razdeljeno v šest poglavij. Prvo poglavje definira koncept digitalnega dvojčka in opiše njegove glavne procese. Navedejo se namen in primeri uporabe. Drugo poglavje predstavi napovedovanje proizvodnje sončne elektrarne s fotonapetostnimi celicami. Opisan je proces pretvorbe sončne energije v električno. Našteti in opisani so vplivi na proizvodnjo sončne elektrarne, definirani sta atmosferska in električna formula za izračun električne energije v nekem času t. Opisane so metode za napovedovanje proizvodnje električne energije: posplošena linearna regresija, metoda podpornih vektorjev in avtoregresija. Definirana je formula za napoved proizvodnje električne energije z vključenimi lastnostmi sončne elektrarne in nekaterimi vremenskimi podatki, kar predstavlja fizikalni model. V tretjem poglavju je podrobneje predstavljeno delovanje naključnih gozdov in primeri uporabe, kjer se na začetku omeni odločitvena drevesa, s pomočjo katerih je izpeljana definicija naključnih gozdov. Četrto poglavje predstavi taksonomijo problemov in metod napovedovanja elektroenergetskih količin, v tabelo so dodane nove taksonomske enote, primerjave med tehnikami napovedovanja so uvrščene v izdelano taksonomijo, razširi se graf primerjav. Peto poglavje prikaže implementacijo digitalnega dvojčka sončne elektrarne FERI, predstavijo se vhodni parametri senzorjev, ostali vhodni podatki ter podatki, ki bi jih bilo smiselno pridobiti in vključiti. Opisana je integracija digitalnega dvojčka s sončno elektrarno. V analitiki digitalnega dvojčka je, s pomočjo zgledov, predstavljena uporaba metod napovedovanja. V zadnjem poglavju so definirani pogreški za primerjavo modelov, sledijo razlage rezultatov posameznih modelov polurne napovedi. Na koncu so modeli med sabo primerjani glede na novo definiran pogrešek E-MAPE, ki je konsistenten s standardno uporabljenim pogreškom M AE, razen pri primerjavi rezultatov avtoregresije in posplošene linearne regresije.
Ključne besede: digitalni dvojček, sončna elektrarna, napovedovanje, naključni gozd, podporni vektorji, posplošena linearna regresija, avtoregresija, fizikalni model, taksonomija
Objavljeno: 04.10.2018; Ogledov: 422; Prenosov: 84
.pdf Celotno besedilo (1,80 MB)

3.
Integrirani avtoregresijski modeli s premikajočimi sredinami za napovedovanje porabe električne energije
Matic Tajnik, 2016, magistrsko delo

Opis: Magistrsko delo obravnava primerjavo pristopov različnih tehnik k napovedovanju porabe električne energije. Delo je razdeljeno na pet poglavij. V prvem poglavju so predstavljene tehnike modeliranja, ki so potrebne za razumevanje opravljenih analiz in nadaljnih primerjav, to so: večstopenjska linearna regresija, metoda podpornih vektorjev, naključni gozd in mehka logika. Pregledu metod modeliranja sledi poglavje, kjer so predstavljeni indeksi kakovosti modelov. Razdeljeni so v pet podpoglavij: napake, determinacijski koeficient, popravljen determinacijski koeficient, statistični F-test in informacijski kriteriji. V tretjem poglavju so podrobno predstavljeni in razčlenjeni integrirani avtoregresijski modeli premikajoče sredine (ARIMA). Naprej je predstavljena avtokorelacija in njene funkcije, sledi definicija stacionarnosti in diferenciranja časovne vrste, predstavljeni so sezonski ARIMA modeli, na koncu sledijo koraki Box-Jenkins metodologije za izgradnjo ARIMA modelov. V četrtem poglavju je povzeta uporaba taksonomije, izdelana je razširitev taksonomije napovedovanja v elektrogospodarstvu, predstavljena je obdelana literatura in prikaz taksonomskih enot, ki so bile vsebovane v njej. Poleg taksonomskih enot so za obravnavano literaturo predstavljeni grafi primerjav tehnik modeliranja. V zadnjem poglavju so predstavljeni izračuni in primerjava rezultatov natančnosti modelov za napovedovanje. Najprej je predstavljena lastna časovna vrsta, sledi konstrukcija ARIMA modela po Box-Jenkins metodologiji in kasneje še modelov AutoARIMA (funkcija, ki samostojno določi parametre modela), multiple linearne regresije (MLR) in metode podpornih vektorjev (SVM). Na koncu poglavja so prikazane analize primerjav med modeli glede na dolžino in odmik učnega obdobja. Primerjani so tudi modeli za 12 urno napovedovanje.
Ključne besede: napovedovanje, linearna regresija, naključni gozd, podporni vektorji, ARIMA modeli, taksonomija, mehka logika, informacijski kriteriji.
Objavljeno: 07.02.2017; Ogledov: 1815; Prenosov: 248
.pdf Celotno besedilo (4,58 MB)

Iskanje izvedeno v 0.08 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici