Predikce časových řad pomocí statistických metod
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Různé společnosti považují za neodmyslitelné získávat předpověď časových řad nejistých hodnot proměnných, které ovlivňují jejich rozhodnutí. Marketing obsahuje vícero rozhodnutí, která závisí na spolehlivé předpovědi. Předpovědi jsou založeny přímo nebo nepřímo na informacích, které jsou získány z historických dat. Tato data mohou obsahovat různé vzory - jako je trend, horizontální vzor, sezónní vzor nebo i cyklický vzor. Většina metod je založena na rozpoznávaní těchto vzorů, jejich promítnutí do budoucnosti a následného vytvoření předpovědi. Jiné přístupy jako jsou například neuronové sítě jsou černými skříňkami, které využívají učení.
Many companies consider essential to obtain forecast of time series of uncertain variables that influence their decisions and actions. Marketing includes a number of decisions that depend on a reliable forecast. Forecasts are based directly or indirectly on the information derived from historical data. This data may include different patterns - such as trend, horizontal pattern, and cyclical or seasonal pattern. Most methods are based on the recognition of these patterns, their projection into the future and thus create a forecast. Other approaches such as neural networks are black boxes, which uses learning.
Many companies consider essential to obtain forecast of time series of uncertain variables that influence their decisions and actions. Marketing includes a number of decisions that depend on a reliable forecast. Forecasts are based directly or indirectly on the information derived from historical data. This data may include different patterns - such as trend, horizontal pattern, and cyclical or seasonal pattern. Most methods are based on the recognition of these patterns, their projection into the future and thus create a forecast. Other approaches such as neural networks are black boxes, which uses learning.
Description
Keywords
predikce časových řad, evoluční algoritmy, umělé neuronové sítě, předzpracování časových řad, umělá inteligence, Winters, lineární regrese, dekompozice, plovoucí průměr, předpovídající metody, prediction of time series, evolution algorithms, artificial neural networks, preprocessing of time series, artificial intelligence, Winters, linear regression, decomposition, moving average, smoothing, forecasting methods
Citation
BELUSKÝ, O. Predikce časových řad pomocí statistických metod [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2011.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Inteligentní systémy
Comittee
prof. RNDr. Milan Češka, CSc. (předseda)
doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda)
Ing. Ivana Burgetová, Ph.D. (člen)
Doc. Ing. Zdeněk Havlice, CSc. (člen)
doc. Ing. Jan Kořenek, Ph.D. (člen)
Dr. Ing. Petr Peringer (člen)
Date of acceptance
2011-06-21
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se pak seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: Jaké ukončující kritérium evoluce jste použil ve svých experimentech? Kolik nezávislých běhů evoluce jste pro konkrétní nastavení experimentu provedl? Jaké nastavení evolučního algoritmu jste použil pro hledání parametrů Vámi navržených metod (sekce 6.3)?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení