Gördülő kiértékelési módszerek energetikai adatok előrejelzésében

OData támogatás
Konzulens:
Gáspár Csaba
Távközlési és Médiainformatikai Tanszék

Napjainkban egyre fontosabbá válik, hogy a rendelkezésre álló hatalmas mennyiségű adatainkat feldolgozzuk és elemezzük. Ezekből különböző összefüggéseket tudunk meghatározni, köztük olyat is, amivel előre tudunk vetíteni a jövőre. A mai világban egyre több ipar tér át adatainak elemzésére, hiszen így felkészülten tudnak reagálni a később bekövetkező eseményekre. Ezek közé lehet sorolni az energetika iparágát is. Energetikánál gyakran használják a korábban megszerzett adatokat, hogy azok felhasználásával meg lehessen becsülni, hogy mennyi fogyasztásra lehet számítani a közeljövőben. Ebben az esetben fel tudnak készülni arra az esetre a jövőben, amikor már nem lenne elég kapacitásuk, és előre megtervezik a rendszer finomhangolását, hogy felkészült legyen arra az időszakra is.

A feladatom is ehhez kötődik, melynek során a korábbi adatok elemzésével segítek automatizmus létrehozásával, ami a felhasználók elemzési munkáját könnyíti meg. Az elemzéseknél idősoros adatokra hagyatkozom, aminél a múlt és a jövő közötti különbség könnyen megfogható hála annak, hogy az adatok idősorosan követik egymást. A modellek felépítésénél a gördülő kiértékelési módszert fogom használni, ami nem egy modellt határoz meg, hanem egy modellépítési stratégiát. Egy Python csomagot valósítok meg, amit bárki le tud tölteni az interneten keresztül, és a benne levő függvények segítségével jelentősen felgyorsítom az adatelemzéshez szükséges időt. A feladatom ennek az automatizmusnak a kitalálása a hozzá tartozó függvényekkel, a függvények dokumentációja, közzététele az interneten, hogy bárki egyszerűen le tudja tölteni, és azonnal használni tudja. Majd valós adathalmazokon bemutatom ezt a csomagot felhasználva modellek építésére, illetve ezek modelleknek a finomítását, hogy jobb eredményt kapjak.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.