Nazwa przedmiotu:
Praktyczne metody prognozowania
Koordynator przedmiotu:
dr inż. F. E. Uilhoorn
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Inżynieria Środowiska
Grupa przedmiotów:
Obieralne
Kod przedmiotu:
1110-ISIGA-MSP-3502
Semestr nominalny:
3 / rok ak. 2018/2019
Liczba punktów ECTS:
3
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
Godziny kontaktowe 60, przygotowanie do kolokwiów 10, zapoznanie się z literaturą 5, napisanie skryptu w Matlabie 15
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
2
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia15h
  • Laboratorium0h
  • Projekt15h
  • Lekcje komputerowe0h
Wymagania wstępne:
Matematyka i statystyka, Matlab, R
Limit liczby studentów:
Cel przedmiotu:
Przekazanie podstawowej wiedzy z zakresu prognozowania. Omówione zostaną wybrane algorytmy prognozowania
Treści kształcenia:
Program wykładu: 1 Czym jest prognozowanie. Szereg czasowy, Kilka prostych metod prognozowania. Proste przekształcenia matematyczne stabilizacji wariancji. Metody oceny jakości modeli prognozowania. Proste statystyki. 2 Składniki szeregu czasowego. Dekompozycja szeregu czasowego. Metoda średniej ruchomej (ważonej). Dekompozycja klasyczna. 3 Wygładzanie (smoothing) metody szeregów czasowych. Prosty model wygładzania wykładniczego Browna. Model liniowy Holta. Metoda Holta-Wintersa (metoda addytywna i multiplikatywna). Znajdywanie optymalnej wartosci, która minimalizuje RMSE. 4 Modelowanie stochastyczne: Metoda Boxa-Jenkinsa, ARMA (Autoregression and Moving Average - autoregresji i średniej ruchomej). Sprawdzanie stacjonarności i różnicowanie. Test Dickeya-Fullera, Kwiatkowski–Phillips–Schmidt–Shin. Operator przesunięcia. Parametr redundancji, przyczynowości i odwracalności. Oszacowanie i struktura modelu p i q. Maximum likelihood estimation (MLE). Kryterium Akaike’a, Schwarza oraz Hannana – Quinn. Procedura modelowania. Filtr Kalmana (linear, nonlinear) do szacowania i prognozowania. Program ćwiczeń komputerowych: 1. Modele szeregów czasowych ze stałym poziomem zmiennej prognozowanej: metoda naiwna, modele średniej ruchomej prostej i ważonej, prosty model wygładzania wykładniczego. Ocena jakości modelu. 2. Prosty model wygładzania wykładniczego Browna. Model liniowy Holta. Metoda Holta-Wintersa (metoda addytywna i multiplikatywna). Optymalizacja parametrów wygładzania. Ocena jakości modelu prognostycznego. 3. Modele szeregów czasowych z wahaniami okresowymi zmiennej prognozowanej: metoda wskaźników, model Wintersa. Optymalizacja parametrów wygładzania. Ocena jakości modelu prognostycznego. Program projektu: Celem projektu jest dopasowanie modelu ARMA(p,q) do danych, które wykazują silną sezonowość i trend wzrostowy. Należy użyć danych miesięcznych, aby znaleźć najlepszy model. Następnym krokiem jest wykorzystanie tego modelu do prognozowania. Przykładem danych z sezonowością i trendem są dane dotyczące zużycia gazu, energii elektrycznej, energii cieplej i wody. Skomentuj właściwości szeregu czasowego, czyli trendu, sezonowości, zmienności w czasie, wartości odstających itd. Wskaż długość okresu wahania periodycznego. Zastosowania przekształcenia matematycznego stabilizacji wariancji do danych (Box-Cox). Wyjaśnić znaczenie ACF i PACF. Test Dickeya-Fullera. Wybieranie najlepszą kombinację p i q obliczając kryterium informacyjne Schwarz'a. Prognozowanie i obliczenie RMSE i MAPE. Student powinna przygotować raport w edytorze tekstu, zawierający tabelę, wykres oraz skrypty napisane w Matlab.
Metody oceny:
Oz = 0.6Ow + 0.2Oćw + 0.2Op
Egzamin:
nie
Literatura:
1. Introduction to Time Series and Forecasting, second edition (2002), P.J. Brockwell and R.A. Davis, Springer-Verlag, New York. 2. Forecasting, Structural Time Series Models and the Kalman Filter (1991), Andrew C. Harvey, Cambridge University Press 3. Peter J. Brodwell, Richard A. Dawis. Time Series: Theory and Methods 2nd Edition, Springer Series in Statistics, Springer-Verlag, 1991. 4. Lynwood A. Johnson Douglas C. Montgomery and John S. Gardiner. Forecasting and Time Series Analysis McGraw-Hill,Inc, 2nd edition, 1990. 5. Cieślak, M. Prognozowanie gospodarcze. Metody i zastosowanie, PWN, Warszawa 2001 6. Gajda J., Prognozowanie i symulacja a decyzje gospodarcze, Wyd. C.H. Beck, Warszawa 2001 7. Nowa, E., Prognozowanie gospodarcze, AW Placet, Warszawa 1998.
Witryna www przedmiotu:
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt W01
Posiada rozszerzoną i ugruntowaną wiedzę z zakresu prognozowania, rodzajów algorytmów predykcji i stosowanych w gazownictwie algorytmów prognozy.
Weryfikacja: Oz = 0.6Ow + 0.2Oćw + 0.2Op
Powiązane efekty kierunkowe: IS_W12
Powiązane efekty obszarowe: T2A_W03, T2A_W05, T2A_W07

Profil ogólnoakademicki - umiejętności

Efekt U4
Posiada umiejętności samodzielnej analizy algorytmów prognozy z punktu widzenia złożoności obliczeniowej i niezbędnych danych wejściowych oraz wykorzystywania ich w zależności od charakteru zmian procesu prognozowanego.
Weryfikacja: Oz = 0.6Ow + 0.2Oćw + 0.2Op
Powiązane efekty kierunkowe: IS_U09, IS_U10
Powiązane efekty obszarowe: T2A_U09, T2A_U10, T2A_U15, T2A_U09, T2A_U10, T2A_U12, T2A_U15

Profil ogólnoakademicki - kompetencje społeczne

Efekt K01
Rozumie potrzebę ciągłego dokształcania sie i podnoszenia kompetencji zawodowych.
Weryfikacja: Oz = 0.6Ow + 0.2Oćw + 0.2Op
Powiązane efekty kierunkowe: IS_K01
Powiązane efekty obszarowe: T2A_K01