Idősorok elemzése a villamosenergia-iparban

OData támogatás
Konzulens:
Dr. Ketskeméty László
Számítástudományi és Információelméleti Tanszék

Napjainkban a sikeres üzleti feladatok megoldásához már szinte elengedhetetlenné vált az informatika. Az üzleti életben az előre megbecsülhető információ gyakran válhat a siker kulcsává. A mai nagyvállalatok szinte kivétel nélkül rendelkeznek olyan csoporttal, mely munkájukkal a különböző matematikai, statisztikai vagy adatbányászati módszerek segítségével hatékonyan tudnak a jövőre vonatkozó információt előrejelezni. Ezen előrejelzett információt az üzleti tevékenységet bonyolító csoportok használják arra, hogy a vállalat minél nagyobb profitot érjen el. Ezen a ponton kapcsolódik össze az üzleti élet és az informatika.

A diploma dolgozatban az energia-iparból származó idősorokra statisztikai és adatbányász módszerekkel felállított előrejelző modelleket ismertetem. Elsősorban – az E.ON Hungária Zrt-től származó – villamos energia adatokat vizsgálva négy módszert alkalmazok idősoros előrejelzésre. Ezek a lineáris regresszió, a zajokra illesztett autoregresszió, a Box és Jenkins által kidolgozott autoregresszív- és mozgóátlagú (ARMA) modellek, valamint az adatbányászatban használt neurális hálózatok. A statisztikai modellezéshez az IBM SPSS Statistisc, az adatbányászati modellezéshez pedig a NeuralWorks Predict programokat használom.

A villamos energia adatok mellett gázfogyasztási illetve az Európai Energiatőzsdéről (EEX) származó idősorokon is bemutatom, hogy az idősoros előrejelzések nem csak a villamos energia adatokon alkalmazható, hanem hogy az energia-iparban jelentős szerepet töltenek be.

Az előrejelzés eredményességét is vizsgálom, ennek segítségével hasonlítom össze a különböző modelleket illetve azok változatait.

Az előrejelző feladathoz készült egy program, mely segítségével az IBM SPSS Statistics eredményei alapján gyorsan és hatékonyan generálhatók az előrejelzés értékei.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.