Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Metody prognozowania
Koordynator przedmiotu:
dr. hab. inż. Ferdinand Uilhoorn
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Inżynieria Środowiska
Grupa przedmiotów:
Specjalizacyjne
Kod przedmiotu:
1110-ISSCiG-MSP-2101
Semestr nominalny:
2 / rok ak. 2022/2023
Liczba punktów ECTS:
3
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
Wykład: 15 h, projekt: 30 h. zapoznanie się z literaturą: 15 h, przygotowanie do zajęć ćwiczeniowych: 15 h, przygotowanie do testów, rozwiązanie samodzielne zadań 15 h, napisanie raport, konsultacja 15 h. Razem: 105 h.
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:
nie dotyczy
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt30h
  • Lekcje komputerowe0h
Wymagania wstępne:
Matematyka, statystyki i programowanie
Limit liczby studentów:
.
Cel przedmiotu:
Celem przedmiotu jest przekazanie podstawowej wiedzy z zakresu prognozowania.
Treści kształcenia:
.Pojęcia wstępne: czym jest prognozowanie, szereg czasowy, kilka prostych metod prognozowania. proste przekształcenia matematyczne stabilizacji wariancji, metody oceny jakości modeli prognozowania. Składniki szeregu czasowego. Dekompozycja szeregu czasowego. Metoda średniej ruchomej (ważonej). Dekompozycja klasyczna. Wygładzanie metody szeregów czasowych. Prosty model wygładzania wykładniczego Browna. Model liniowy Holta. Metoda Holta-Wintersa (metoda addytywna i multiplikatywna). Znajdywanie optymalnej wartości w metodach. Modelowanie stochastyczne: Metoda Boxa-Jenkinsa, ARMA/ARIMA. 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. Kryterium Akaike’a, Schwarza oraz Hannana – Quinn. Procedura modelowania. Filtr Kalmana do szacowania i prognozowania. Specjalizowane narzędzia do analiz statystycznych (Matlab - Statistical Toolbox, R). 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:
Sprawdzian pisemny i projekt.
Egzamin:
tak
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

Charakterystyka W01
Posiada rozszerzoną i ugruntowaną wiedzę z zakresu prognozowania i rodzajów algorytmów.
Weryfikacja: Sprawdzian pisemny i projekt.
Powiązane charakterystyki kierunkowe: IS_W01
Powiązane charakterystyki obszarowe: P7U_W, I.P7S_WG.o
Charakterystyka W02
Posiada rozszerzoną, uporządkowaną wiedzę w zakresie języków programowania do prognozowania zużycia energii i zasobów naturalnych lub emisji zanieczyszczeń, w ciepłownictwie, lub ogrzewnictwie lub klimatyzacji lub gazownictwie, lub wskaźników zapotrzebowania i zużycia wody.
Weryfikacja: Sprawdzian pisemny i projekt.
Powiązane charakterystyki kierunkowe: IS_W03
Powiązane charakterystyki obszarowe: P7U_W, I.P7S_WG.o

Profil ogólnoakademicki - umiejętności

Charakterystyka U01
Potrafi samodzielnie z wykorzystaniem programów wspomagających, prognozować zużycie energii i zasobów naturalnych lub emisji zanieczyszczeń, w ciepłownictwie, lub ogrzewnictwie lub klimatyzacji lub gazownictwie, lub wskaźników zapotrzebowania i zużycia wody.
Weryfikacja: Sprawdzian pisemny i projekt.
Powiązane charakterystyki kierunkowe: IS_U04
Powiązane charakterystyki obszarowe: P7U_U, I.P7S_UW.o, III.P7S_UW.o
Charakterystyka U02
Posiada umiejętności samodzielnej analizy algorytmów prognozy i niezbędnych danych wejściowych oraz wykorzystywania ich w zależności od charakteru zmian procesu prognozowanego.
Weryfikacja: Written test and project.
Powiązane charakterystyki kierunkowe: IS_U10
Powiązane charakterystyki obszarowe: P7U_U, I.P7S_UW.o, III.P7S_UW.o

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka K01
Rozumie potrzebę ciągłego dokształcania się i podnoszenia kompetencji zawodowych i osobistych
Weryfikacja: Rozmowa
Powiązane charakterystyki kierunkowe: IS_K01
Powiązane charakterystyki obszarowe: P7U_K, I.P7S_KK
Charakterystyka K02
Potrafi myśleć i działać w sposób przedsiębiorczy.
Weryfikacja: Rozmowa
Powiązane charakterystyki kierunkowe: IS_K05
Powiązane charakterystyki obszarowe: P7U_K, I.P7S_KO