Napredna pretraga

Pregled bibliografske jedinice broj: 1015084

Prognoza vremenskih serija korištenjem radnog okvira Apache Spark


Bošnjak, Dario
Prognoza vremenskih serija korištenjem radnog okvira Apache Spark 2019., diplomski rad, diplomski, Fakultet elektrotehnike i računarstva, Zagreb


Naslov
Prognoza vremenskih serija korištenjem radnog okvira Apache Spark
(Time Series Forecasting with Apache Spark Framework)

Autori
Bošnjak, Dario

Vrsta, podvrsta i kategorija rada
Ocjenski radovi, diplomski rad, diplomski

Fakultet
Fakultet elektrotehnike i računarstva

Mjesto
Zagreb

Datum
12.07.

Godina
2019

Stranica
65

Mentor
Pripužić, Krešimir

Neposredni voditelj
Katušić, Damjan

Ključne riječi
Vremenska serija ; analiza vremenske serije ; prognoziranje vremenske serije ; Apache Spark ; strojno učenje
(Time series ; Time series analysis ; Time series forecasting ; Apache Spark ; Machine learning)

Sažetak
Prognoziranje vremenske serije omogućuje uvid u budućnost promatranog procesa. Za uspješno prognoziranje najprije je potrebno provesti analizu vremenske serije koja obuhvaća dekompoziciju, statistička testiranja na stacionarnost te prikaz funkcija (parcijalne) autokorelacije. Prognoziranje je moguće raditi pomoću klasičnih statističkih metoda kao što su modeli AR, MA, ARIMA, eksponencijalno zaglađivanje i vektorska autoregresija. Uz klasične statističke metode moguće je koristiti i metode strojnog učenja, preciznije regresijske algoritme kao što su linearna regresija, model linearne regresije, slučajne šume i gradijentno ojačana stabla. Radni okvir Apache Spark za raspodijeljenu obradu i izračunavanja posjeduje funkcionalnosti pogodne za rad s vremenskim serijama te kroz knjižnicu za strojno učenje nudi navedene algoritme strojnog učenja s mogućnosti finog podešavanja postavljanjem hiperparametara. Studijski slučaj prognoziranja dnevne proizvodnje mlijeka pokazao je da su metode strojnog učenja ostvarene pomoću radnog okvira Apache Spark dale bolje rezultate od klasičnih statističkih metoda za prva tri koraka prognoziranja. Također se pokazalo da su meta-algoritmi ansambala dali bolje rezultate od linearne regresije.

Izvorni jezik
Hrvatski

Znanstvena područja
Elektrotehnika, Računarstvo



POVEZANOST RADA


Projekt / tema
HRZZ-UIP-2017-05-9066 - Učinkovita stvarnovremenska obrada brzih geoprostornih podataka (Krešimir Pripužić, )

Ustanove
Fakultet elektrotehnike i računarstva, Zagreb