Idősoros előrejelzések mesterséges intelligenciával

Sonuc Baka Cagla Nur (2022) Idősoros előrejelzések mesterséges intelligenciával. Pénzügyi és Számviteli Kar.

	PDF SONUC BAKA_CAGLA NUR_VUZ5ZS.pdf Hozzáférés joga: Csak az archívum karbantartója nyithatja meg (titkosított dolgozat - engedéllyel) until 2027. December 12.. Download (3MB)
	PDF Titkositasi-kerelem.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (234kB)
	PDF BA_O_SONUC BAKA_CAGLA NUR.pdf Hozzáférés joga: Csak az archívum karbantartója nyithatja meg (titkosított dolgozat - engedéllyel) until 2027. December 12.. Download (159kB)
	PDF BA_B_SONUC BAKA_CAGLA NUR.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (398kB)
	PDF Szakdolgozat_bírálat_Sonuc Baka Cagla Nur_VUZ5ZS.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (200kB)

Absztrakt (kivonat)

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.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tanszék

Gazdaságinformatika Tanszék

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	adatelemzés, gazdaságinformatika, idősorok elemzése, mesterséges intelligencia, Python
SWORD Depositor:	Archive User
Felhasználói azonosító szám (ID):	Archive User
Rekord készítés dátuma:	2023. Ápr. 21. 10:05
Utolsó módosítás:	2023. Ápr. 21. 10:05

Actions (login required)

Tétel nézet