Idősoros előrejelzések mesterséges intelligenciával
Elmentve itt :
| Szerző: | |
|---|---|
| További közreműködők: | |
| Dokumentumtípus: | Diplomadolgozat |
| Kulcsszavak: | adatelemzés gazdaságinformatika idősorok elemzése mesterséges intelligencia Python |
| Online Access: | http://dolgozattar.uni-bge.hu/44852 |
MARC
| LEADER | 00000nta a2200000 i 4500 | ||
|---|---|---|---|
| 001 | dolg44852 | ||
| 005 | 20230421100531.0 | ||
| 008 | 230421suuuu hu om 000 hun d | ||
| 040 | |a BGE Dolgozattár Repozitórium |b hun | ||
| 041 | |a hu | ||
| 100 | 1 | |a Sonuc Baka Cagla Nur | |
| 245 | 1 | 0 | |a Idősoros előrejelzések mesterséges intelligenciával |c Sonuc Baka Cagla Nur |h [elektronikus dokumentum] |
| 520 | 3 | |a ÖsszefoglalásKözel négy évet töltöttem a hazai söripar egyik legnagyobb szereplőjénél pénzügyi kontrollerként. Munkám hangsúlyos részét képezte a tervezés, az előrejelzések, és azoknak utólagos értékelése. Ennek nyomán határoztam el, hogy megvizsgálom, hogy egy ilyen cégnél hogyan lehetne hasznosítani a mesterséges intelligenciát a forgalom előrejelzése céljából. Az adataim forrása értelemszerűen az említett cég. Dolgozatom célja volt ismertetni az idősor-elemzési technikákat, és végül mesterséges intelligencia segítségével egy olyan modellt előállítani, amely képes havi szintű eladott mennyiséget megbecsülni. Az első fejezetben bemutattam a mesterséges intelligencia fogalmát, történetét, alkalmazási területeit és működési alapelveit. A második fejezetben pedig a felhasznált adatok ismertetése, majd feltáró adatelemzés után bemutattam az idősorok előrejelzésének technikáit az átlagolási módszertől kezdve az autoregresszív modellekig. Az autoregresszív modellek segítségével azt a hipotézist teszteltem, hogy a kiválasztott független változók közül létezik legalább egy olyan, amely javíthatná az előrejelzések pontosságát. A feltáró adatelemzést különböző vizualizációk, dekompozíciós eljárások és ADF tesztek segítségével hajtottam végre, ahol az adatsor stacionaritásáról és szezonalitásáról győződhettem meg. Emellett a független változók autoregresszív modellekbe való illesztését elősegítő differenciálási eljárásokat is itt hajtottam végre. Az autoregresszív eljárásokhoz Python-környezetet használtam, ahol a train adatok az idősor első nyolc évét képeztek, míg a maradék 21 periódussal teszteltem az alkalmazott modelleket. Az autóregresszív modellek esetében az optimális paramétereket auto.arima eljárással állapítottam meg. Az idősort e módon először SARIMA modellbe, utána pedig SARIMAX modellbe illesztettem, a másodiknál a következő független változókat először egyesével, utána pedig együttesen teszteltem: havi középhőmérséklet, havi esőmennyiség, a piac mérete, a sör árindexe, a munkanélküliségi ráta, a havi munkanapok száma és az áremeléses hónapok. Az eredmények alapján láthattam, hogy a SARIMA modell önmagában, független változók nélkül is egy elég jó illeszkedésű modellt eredményezett, ahol a MAPE 10%. A modell maradványértékei átmentek a Ljung-Box autókorrelációs teszten is, így egy használható modellt sikerült építeni ebben a lépésben. Ahogy a mardványérték-vizsgálatoknál láthattam, az összes független változót egyben használó SARIMAX modell átment az összes statisztikai teszten, viszont a modell értékelésére használt mutatók nem lettek kedvezőbbek. Ez alapján következő következtetéseket vonhattam le: 1) több független változó használata nem feltétlen eredményez jobb előrejelzési modellt, 2) azzal nem garantált egy modell jobb teljesítménye, hogy az eleget tesz bizonyos statisztikai teszteknek. Az autoregresszív modellek értékelésénél megállapíthattam, hogy a munkanélküliségi ráta használatával épített SARIMAX modellnek az AIC, BIC, illetve MAE, MAPE és RMSE értékei kedvezőbbek voltak, mint az iniciális SARIMA modellé, ráadásul a változat a maradványértékek vizsgálatakor is jobban teljesített, így elfogadtam a bevezetésben megfogalmazott hipotézist: létezik a független változók közül egy, ami javít az előrejelzési modellünken. | |
| 695 | |a adatelemzés | ||
| 695 | |a gazdaságinformatika | ||
| 695 | |a idősorok elemzése | ||
| 695 | |a mesterséges intelligencia | ||
| 695 | |a Python | ||
| 700 | 1 | |a Horváth Máté |e ths | |
| 700 | 1 | |a Kaderják Gyula |e ths | |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/44852/1/SONUC%20BAKA_CAGLA%20NUR_VUZ5ZS.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/44852/2/Titkositasi-kerelem.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/44852/3/BA_O_SONUC%20BAKA_CAGLA%20NUR.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/44852/4/BA_B_SONUC%20BAKA_CAGLA%20NUR.pdf |z Dokumentum-elérés |
| 856 | 4 | 0 | |u http://dolgozattar.uni-bge.hu/44852/5/Szakdolgozat_b%C3%ADr%C3%A1lat_Sonuc%20Baka%20Cagla%20Nur_VUZ5ZS.pdf |z Dokumentum-elérés |