Wyniki wyszukiwania - Biblioteka Nauki

1

Modele regresji dla odchyłek w punktualności autobusów komunikacji miejskiej

100%

Bauer M.

Zeszyty Naukowe. Budownictwo / Politechnika Śląska

|

2003

|

tom z. 101

71-78

PL

W referacie przedstawiono klasyfikację czynników wpływających na pogarszanie się punktualności kursowania autobusów. Zaprezentowano grupę modeli statystycznych, opisujących zależność wielkości odchyłki od rozkładu jazdy dla wybranych czynników. Dokonano statystycznej analizy uzyskanych modeli, przedstawiono wnioski dotyczące dalszych badań.

EN

In this paper the classification of factors which have an effect on punctuality of public vehicles was shown. The group of statistical models, which describes the relationship between deviation of public transport time-tables and the selected factors were shown. Statistical analysis of obtained models was executed. Finally the conclusions to apply the models for further research were shown.

2

Klasyczne metody estymacji w ocenie redystrybucyjnych konsekwencji funkcjonowania podatków konsumpcyjnych w Polsce

100%

Dobrowolska B.

|

2013

|

tom 47

|

nr 3

EN

The estimation of redistribution consequences of functioning of consumption taxes by means of econometric models is poorly recognized in subject literature, and hereby research is the attempt to bridge the gap in this field.The aim of the article is to try to use classical methods of estimation to investigate redistribution consequences of functioning of consumption taxes in Poland. The research was carried out on the sample of the households analysed by GUS [Central Statistic Office] within the research of household budgets in the years 1995-2011 according to deciles income groups.

PL

Artykuł nie zawiera abstraktu w języku polskim

3

Diagnozowanie okrętowych turbinowych silników spalinowych z zastosowaniem metod statystycznych

84%

Adamkiewicz A.

Diagnostyka

|

2004

|

tom Vol. 30, T. 1

5--8

PL

Referat prezentuje statystyczną metodę przetwarzania wyników eksploatacyjnych pomiarów parametrów pracy w diagnozowaniu okrętowych turbinowych silników spalinowych Wartości zmiennych jednej sekwencji czasowej obserwacji przyporządkowane są losowym zakresom ob-ciążeń silników. Powoduje to konieczność przetwarzania wyników pomiarów w celu stworzenia warunków porównywalności estymowanych wartości parametrów na jednakowych zakresach ob-ciążeń silników z wartościami dopuszczalnymi. Badając związki między zmiennymi zastosowano metodę funkcji opisującej do diagnozy chwilowej. Przedstawiono algorytm zastosowania ele-mentów analizy regresji do diagnozy chwilowej oraz wybrane wyniki badań.

EN

This paper presents a statistical method of transformation of experimental results of operational parameters for diagnosing marine turbine engines. Values of variables of one observation time sequence are assigned to random ranges of engine loads. It leads to the necessity of transforma-tion of experimental results in order to obtain comparable conditions for the estimated values of parameters at engine load ranges equivalent to those of accepted values. Descriptive functions for instant diagnosis have been used. Algorithm for application of elements of regression analysis and selected experimental results has been presented.

4

Makroekonomiczne uwarunkowania upadłości przedsiębiorstw w Polsce

84%

Bieniasz A. , Gołaś Z.

Journal of Agribusiness and Rural Development

|

2014

|

nr 4(34)

27-40

EN

The main purpose of this work is to analyse the phenomenon of enterprises’ bankruptcy in Poland in 2004-2013 and attempt to build regression models defining the relationship between the number of bankrupted companies and selected macroeconomic parameters of the national economy. The analysis is based on Coface Poland reports presenting the phenomenon of bankruptcy in Poland of branches, provinces, legal forms of companies and types of bankruptcy proceedings. Studies have shown that the greatest risk of bankruptcy refers to metals production and fabricated metal products enterprises, manufacture of food products and beverages, wholesale trade, construction, micro and small enterprises, enterprises under the age of 10 years and companies from Mazovia region, Silesia and Lower Silesia. The estimated parameters of the regression models showed that the number of bankruptcies in Poland is strongly determined i.a. by the number of registered companies, GDP growth, dynamics of changes in fixed capital formation and changes in FOREIGN EXCHANGE RATES.

PL

Głównym celem pracy jest analiza zjawiska upadłości przedsiębiorstw w Polsce w latach 2004-2013 oraz próba budowy modeli regresji określających związki między liczbą upadłych przedsiębiorstw a wybranymi parametrami makroekonomicznymi gospodarki narodowej. Analizę oparto na raportach wywiadowni gospodarczej Coface Poland, prezentujących zjawisko upadłości w Polsce w przekroju branż, województw, form prawnych przedsiębiorstw oraz typów postępowania upadłościowego. Badania wykazały, że największe ryzyko upadłości dotyczy: przedsiębiorstw produkcji metali i metalowych wyrobów gotowych, produkcji artykułów spożywczych i napojów, handlu hurtowego, budownictwa, mikro- i małych przedsiębiorstw, przedsiębiorstw w wieku do 10 lat oraz przedsiębiorstw z województw mazowieckiego, śląskiego i dolnośląskiego. Oszacowane parametry modeli regresji wykazały, że liczba upadłości w Polsce jest silnie determinowana m.in. przez: liczbę zarejestrowanych przedsiębiorstw ogółem, dynamikę PKB, dynamikę zmian nakładów na środki trwałe oraz zmiany kursów walutowych.

5

Bank indicators management models for ensure of financial stability necessary leve

84%

Chemchykalenko R. , Dubrovina V. , Hrebenyuk N.

Zeszyty Naukowe Wyższej Szkoły Technicznej w Katowicach

|

2020

|

tom nr 12

219--228

EN

This article constructs linear trend models for the main indicators of the balance sheet and net profit of a state bank and determines their forecast values. The structural management model for the basic indicators of the state of bank is constructed and regression equations are used. For structural regression models, growth rates and their lag values were chosen, and lag in the 1st and 2nd time periods was used for modelling. Based on the graphical analysis, it is shown that there are dependences between the indicators of financial autonomy and indicators of return on assets and equity and two clusters are distinguished: the cluster of financial stability and the cluster of unstable financial positions of the bank. Based on the structural model and its parameters, according to the state of bank, the development of a sustainable development strategy is proposed, in which special attention should be paid to planning and forecasting key indicators, their complex functional relationships taking into account the time factor, random factors and their impact on state of bank and its financial stability.

PL

W artykule autorzy budują liniowy model trendu dla głównych wskaźników bilansu i zysku netto banku państwowego oraz określają ich prognozowane wartości. Skonstruowano strukturalny model zarządzania podstawowymi wskaźnikami banku państwa, w którym wykorzystuje się równania regresji. W przypadku modeli regresji strukturalnej wybrano stopy wzrostu i ich wartości opóźnienia, a do modelowania wykorzystano opóźnienie w pierwszym i drugim okresie. Na podstawie analizy graficznej wykazano, że istnieją złożone formy zależności między wskaźnikami autonomii finansowej a wskaźnikami zwrotu z majątku i kapitału oraz wyróżnia się dwa klastry: klaster stabilności finansowej oraz klaster niestabilnych pozycji finansowych banku. Zdaniem Banku Państwowego, w oparciu o model strukturalny i jego parametry, proponuje się opracowanie strategii zrównoważonego rozwoju. W której szczególną uwagę należy zwrócić na planowanie i prognozowanie kluczowych wskaźników. Ich złożonych zależności funkcjonalnych z uwzględnieniem czynnika czasu, czynników losowych oraz ich wpływu na wynik finansowy banku oraz na jego stabilność.

6

Evaluating the performance of bitcoin price forecasting using machine learning techniques on historical data

84%

Ahmed M. , Suha S. A. , Mahi F. H. , Ahmed F. U.

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2024

|

tom T. 14, nr 2

101--108

EN

Since entering the market in 2009, Bitcoin has had a price that is extremely erratic. Its price is influenced by factors such as adoption rates, regulatory changes, geopolitical occurrences, and macroeconomic developments. Experts believe that Bitcoin's price will rise in the long run due to limited supply and rising demand. Therefore, the aim of this study is to propose an ensemble feature selection and machine learning-based approach to predict bitcoin price. For this research purpose, the cryptocurrency-based dataset has been used, visualized, and preprocessed. Five different feature selection approaches (Pearson, RFE, Embedded Random Forest, Tree-based and Light GBM) are followed by ensemble methodology, with the maximum voting approach to extract the most significant features and generate a dataset with reduced attributes. Then the dataset with or without feature selection is used for bitcoin price prediction by applying ten different machine learning regressing models, which includes six traditional, four bagging and boosting ensemble techniques. The comparative result analysis through multiple performance parameters reveals that the decreased number of features improves the performance for each of the models and the ensemble models outperform other types of models. Therefore, Random Forest regression ensemble ML model can get the best prediction accuracy with 0.036018 RMSE, 0.029470 MAE and 0.934512 R2 employing the dataset with reduced features for estimating the value of bitcoin.

PL

Od momentu wejścia na rynek w 2009 roku, cena Bitcoina jest niezwykle nieregularna. Na jego cenę wpływają takie czynniki, jak wskaźniki popularności, zmiany regulacyjne, wydarzenia geopolityczne i zmiany makroekonomiczne. Eksperci uważają, że cena Bitcoina wzrośnie w dłuższej perspektywie ze względu na ograniczoną podaż i rosnący popyt. Dlatego też celem niniejszego badania jest zaproponowanie podejścia opartego na selekcji cech i uczeniu maszynowym do przewidywania ceny bitcoina. Do tego celu badawczego wykorzystano, zwizualizowano i wstępnie przetworzono zbiór danych oparty na kryptowalutach. Zastosowano pięć różnych podejść do wyboru cech (Pearson, RFE, Embedded Random Forest, Tree-based i Light GBM), a następnie metodologię ensemble, z podejściem maksymalnego głosowania w celu wyodrębnienia najważniejszych cech i wygenerowania zbioru danych ze zredukowanymi atrybutami. Następnie zbiór danych z lub bez selekcji cech jest wykorzystywany do przewidywania cen bitcoinów poprzez zastosowanie dziesięciu różnych modeli regresji uczenia maszynowego, w tym sześciu tradycyjnych, czterech technik baggingu i boostingu. Analiza porównawcza wyników za pomocą wielu parametrów wydajności pokazuje, że zmniejszona liczba cech poprawia wydajność każdego z modeli, a modele zespołowe przewyższają inne typy modeli. W związku z tym model Random Forest regression ensemble ML może uzyskać najlepszą dokładność przewidywania z 0,036018 RMSE, 0,029470 MAE i 0,934512 R2, wykorzystując zbiór danych ze zredukowanymi funkcjami do szacowania wartości bitcoinów.

7

Prognozowanie indeksu cen dóbr i usług konsumpcyjnych : modele regresji i jednokierunkowe sieci neuronowe

84%

Szymczak Z. , Witkowska D.

Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Łódzka

|

2002

|

tom z. 37

85-97

PL

Jednym z celów, jakie stawiaja sobie praktycy ekonomii jest przewidywanie wahań cen towarów i usług konsumpcyjnych. W artykule przedstawiono implementacje podstawowych metod ilościowych, służące wyjaśnieniu zmian w kształtowaniu się inflacji. Narzędzia te mogą być również z powodzeniem stosowane do budowy prognoz tego zjawiska w Polsce.

EN

In the paper we present several models describing monthly CPI in Poland in the period from January 1992 to December 1999. Linear regression models and neural networks contain: nominal wages, industry output sold and unemployment rate as well as lagged CPI as explanatory variables. CPI is predicted on the basis of actual data of descriptors and forecasts of explanatory variables that are estimated by applying: tend, Holt and moving average models.

8

Zastosowanie metod uczenia maszynowego do predykcji generowanej energii w małym systemie PV

67%

Idźkowski A. , Sumorek M.

|

2024

|

tom R. 28, nr 2

37--43

PL

Artykuł przedstawia problem prognozowania generacji energii elektrycznej w małych systemach fotowoltaicznych (PV). Celem opracowanych długoterminowych prognoz jest możliwość poprawnego zarządzania systemem elektroenergetycznym poprzez podejmowanie odpowiednich działań zachowawczych. Przeanalizowano czynniki atmosferyczne wpływające na pozyskiwanie energii elektrycznej w systemach fotowoltaicznych. Dokonano porównania wybranych modeli prognostycznych z wykorzystaniem uczenia maszynowego, m.in. sieci neuronowych MLP oraz metody wektorów nośnych SVM. Zostały wybrane mierniki pozwalające określić trafność (dokładność) prognoz. Określenie jakości prognoz bazowało na stanach faktycznych pogody, a nie na jej prognozie. Przedstawiono sposób przygotowania danych do utworzenia modeli prognostycznych i zaprezentowano najlepsze modele regresyjne. Do tego celu wykorzystano bibliotekę Scikit-learn umożliwiającą tworzenie skryptów w języku Python. W rozpatrywanym zespole fotowoltaicznym najlepsze rezultaty uzyskano dla modeli MLPRegressor, CatBoostRegressor i SVR. Wykorzystano rzeczywiste dane pomiarowe z systemu paneli ustawionych optymalnie o mocy 3,0 kWp. Dla modelu MLPRegressor osiągnięto największy współczynnik determinacji 0,605 oraz najmniejszy pierwiastek błędu średniokwadratowego 1,79 KWh dla średniej dziennej generacji energii elektrycznej w okresie od kwietnia do września 2022 r. wynoszącej 11,65 kWh.

EN

The article presents data analysis for predicting energy production in photovoltaic (PV) power plant systems. The purpose of long-term forecasts is to determine the effectiveness of preventive actions and manage the power system effectively. Climate variables affecting the production of electricity in photovoltaic systems were analyzed. Forecasting methods using machine learning techniques such as Multi-Layer Perceptron (MLP) neural networks and Support Vector Machine (SVM) were compared. In addition, metrics were selected to determine the quality of forecasts. Determining the quality of forecasts was based on the actual varying conditions, not on the weather forecast data. The way of data preparation to create forecasting models were presented and the models with the best metrics were selected. For this purpose, the Scikit-learn library was used to create scripts in Python. The best results were obtained for regression models: MLPRegressor, CatBoostRegressor and Support Vector Regression. Actual measurement data from a system of optimally-positioned panels with a power of 3.0 kWp were used. For the MLPRegressor model, the highest coefficient of determination 0.605 was achieved with the smallest root-mean-square error of 1.79 KWh.