Przegląd dostępnych narzędzi informatycznych wykorzystywanych do prognozowania zapotrzebowania na zużycie gazu ziemnego

• Autorzy: Chrulski Tomasz , Zarodkiewicz Paweł

Identyfikatory

DOI

10.15199/17.2021.3.2

Warianty tytułu

EN

Review of available IT tools used to forecast the demand for natural gas consumption

• Języki publikacji: PL

Abstrakty

PL

W artykule dokonano przeglądu dostępnych języków programowania, które są wykorzystywane do prognozowania zużycia gazu ziemnego. Dokonano ankietyzacji osób zajmujących się programowaniem, celem porównania wiodących języków programistycznych i programów komputerowych służących obliczeniom statystycznym i prognozowaniu. Przeglądu dokonano w oparciu o ogólną wiedzę teoretyczną związaną z tym zagadnieniem jak i pod kątem praktycznego zastosowania. Jako główne kryteria wybrano: dostępność oprogramowania, łatwość uczenia się, możliwość wykorzystania. W każdym przypadku wskazane zostały zalety i wady poszczególnych narzędzi informatycznych. Na zakończenie znalazły się próby zastosowania każdego z programów do prognozowania zużycia gazu ziemnego.

EN

The article reviews the available programming languages that are used to forecast natural gas consumption. People involved in programming were surveyed to compare the leading programming languages and computer programs for statistical computing and forecasting. The review was made on the basis of general theoretical knowledge related to this issue as well as in terms of practical application. The main criteria were selected: availability of software, ease of learning, usability. In each case, the advantages and disadvantages of individual IT tools are indicated. At the end, there were attempts to use each of the programs to forecast natural gas consumption.

Słowa kluczowe

PL

prognozowanie; narzędzia informatyczne; zużycie gazu ziemnego

EN

forecasting; IT tools; natural gas consumption

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Gaz, Woda i Technika Sanitarna
• Rocznik: 2021
• Tom: Nr 3
• Strony: 7--13
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Chrulski Tomasz

• Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie, al. Mickiewicza 30, 30-059 Kraków

autor

Zarodkiewicz Paweł

• GAZ-SYSTEM S.A., Pion Krajowej Dyspozycji Gazu

Bibliografia

• [1] Francis, Louise. “Data Preparation”, CAS Online Learning Opportunities, 29.09.2006, dostęp 28.01.2020. www.casact.org/education/specsem/f2006/handouts/francis2.pdf.
• [2] "R. Python or SAS - Which is the Best Tool for Data Science Learning?”. Dostęp 27.01.2020. www.data-flair.training/blogs/r-python-or-sas-for-data-science.
• [3] Ozgur Ceyhun, Jha Sanjeev, Shen Yiming, “SAS Python R summary”, MWDSI Conference (2020).
• [4] Ewa Krok, Budowa kwestionariusza ankietowego a wyniki badań. Zeszyty Naukowe Uniwersytetu Szczecińskiego. STUDIA INFORMATICA nr 37 2015, DOI: 10.18276/si.2015.37.
• [5] “Forecasting Functions for Time Series and Linear Models”. Dostęp 14.01.2020. www.rdocumentation.org.
• [6] „tidyverse”. Dostęp 14.01.2020. www.rdocumentation.org.
• [7] „ggplot2”. Dostęp 14.01.2020. www.rdocumentation.org.
• [8] „dplyr”. Dostęp 14.01.2020. www.rdocumentation.org.
• [9] „Dlaczego warto uczyć się Pythona?”. Dostęp 20.01.2020. www.sdacademy.pl.
• [10] „Pandas documentation”. Dostęp 20.01.2020. www.pandas.pydata.org.
• [11] „Time Series Forecasting With Prophet in Python”. Dostęp 30.01.2020. www. machinelearningmastery.com.
• [12] “TensorFLow”. Dostęp 21.01.2020. www.tensorflow.org.
• [13] „Scikit-learn Machine Learning in Python”. Dostęp 30.01.2020. www.scikit -learn.org/stable.
• [14] „google-api-python-client”. Dostęp 30.01.2020. www.code.google.com.
• [15] „Narzędzia dla programistów SQL”. Dostęp 28.01.2020. www.microsoft. com.
• [16] „Analytics Software & Solutions”. Dostęp 24.01.2020. www.sas.com.pl.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).