Metoda prognozowania szeregów czasowych przy użyciu sztucznych sieci neuronowych

• Autorzy: Francik S.

Warianty tytułu

EN

The method used to predict time series using artificial neural networks

• Języki publikacji: PL

Abstrakty

PL

Celem pracy było opracowanie metodyki prognozowania szeregów czasowych przy użyciu sztucznych sieci neuronowych. Prognozy wykonano zakładając klasyczny model tendencji rozwojowej. Opracowano ogólny algorytm opracowywania prognostycznego modelu neuronowego. Przedstawiono przykład zastosowania tego algorytmu do opracowania 9 modeli neuronowych dla zmiennych prognostycznych charakteryzujących wybrane maszyny rolnicze: kombajny zbożowe, pługi oraz siewniki rzędowe. Przeprowadzono analizę wrażliwości dla opracowanych modeli prognostycznych.

EN

The purpose of the work was to develop methods for predicting time series using the artificial neural networks. The predictions were made assuming the classical development tendency model. The general algorithm for construction of prognostic neural model has been developed. The paper presents an example for using this algorithm to create 9 neural models for prognostic variables characterising selected farm machines: combine harvesters, ploughs and drill seeders. A sensitivity analysis was made for created prognostic models.

Słowa kluczowe

PL

prognozowanie; szereg czasowy; sztuczna sieć neuronowa

EN

predicting; time series; artificial neural network

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2009
• Tom: R. 13, nr 6
• Strony: 53--59
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Francik S.

• Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy w Krakowie,

Bibliografia

• Cieślikowski B. 2005. Prognozowanie stanu technicznego zespołu przekładniowego kombajnu zbożowego za pomocą modelu regresyjnego. Inżynieria Rolnicza. Nr 10(70). s. 49-55.
• Francik S. 2001. Możliwości zwiększenia dokładności prognoz technicznych uzyskiwanych z użyciem sztucznych sieci neuronowych. Inżynieria Rolnicza. Nr 11(31). s. 69-75.
• Francik S. 2005. Prognozowanie ceny ogórka szklarniowego za pomocą sieci neuronowych. Inżynieria Rolnicza. Nr 14(74). s. 91-97.
• Koszela K., Boniecki P., Weres J. 2005. Ocena efektywności neuronowego prognozowania w oparciu o wybrane metody na przykładzie dystrybucji produktów rolniczych. Inżynieria Rolnicza. Nr 2(62). s. 69-76.
• Małopolski J., Trojanowska M. 2008. Wykorzystanie modeli Mamdaniego do predykcji dobowych obciążeń wiejskich sieci elektroenergetycznych. Inżynieria Rolnicza. Nr 9(107). s. 205-211.
• Neugebauer M., Nalepa K., Sołowiej P. 2007. Sieci neuronowe jako narzędzie umożliwiające prognozowanie zapotrzebowania na wodę w uprawach rolnych. Inżynieria Rolnicza. Nr 2(90). s. 205-210.
• Niedbała G., Przybył J., Sęk T. 2007. Prognozowanie zawartości cukru w korzeniach buraka cukrowego z wykorzystaniem technik regresyjnych i neuronowych. Inżynieria Rolnicza. Nr 2(90). s. 225-234.
• Pielecki J., Skwarcz J. 2005. Neuralna predykcja parametrów procesu biotechnologicznego. Inżynieria Rolnicza. Nr 8(68). s. 305-314.
• Trajer J., Czekalski D. 2005. Prognozowanie sum napromienienia słonecznego dla potrzeb energetyki słonecznej. Inżynieria Rolnicza. Nr 8(68). s. 393-399.
• Trojanowska M. 2006. Modele prognostyczne sprzedaży energii elektrycznej odbiorcom wiejskim oparte na wymiarze fraktalnym, logistyczne i krzyżowania heurystycznego. Inżynieria Rolnicza. Nr 11(86). s. 479-486.