Energetikai adatok idősoros elemzése

Gulyás-Szabó Máté György (2023) Energetikai adatok idősoros elemzése. Pénzügyi és Számviteli Kar.

	PDF Gulyás-Szabó_Máté_György_IOWM0D_Szakdolgozat.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (9MB)
	PDF BA_B_Gulyás-Szabó_Máté_György.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (309kB)
	PDF BA_B_Gulyas_Szabo_Mate_Gyorgy.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (409kB)
	PDF Gulyas-Szabo_Mate_Gyorgy_ZAROVIZSGA_SZAKDOLGOZAT_BIRALAT_avdhA8-a419ac06-2c14-44db-bc19-f968efb27242.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (340kB)

Absztrakt (kivonat)

Az energiaágazat folyamatos fejlődése és az energiaforrásokkal való gazdálkodás optimalizálása kiemelt jelentőségű a fenntartható jövő építése szempontjából. Ezen kutatás célja az volt, hogy részletesen elemezze az energiatermelési adatokat idősorelemző módszerek alkalmazásával, majd különböző prediktív modellek segítségével becsléseket készítsen a jövőbeli energiafelhasználásra vonatkozóan. Ezen eredmények összehasonlításával megállapítást nyert, hogy a fosszilis energiaforrásoknak nagyobb ütemben növekvő trendet mutatnak, mint a megújuló energiaforrások. Ez a megfigyelés nem csupán számszerű adatokon alapul, hanem további elemzések és statisztikai módszereink révén kiterjedt értelmezést kapott. Ennek fontossága abban rejlik, hogy környezetvédelmi szempontból ez egy negatív tendencia, ami ellen világszinten érdemesebb lenne fellépni. A tendencia nagyon egyértelmű: a fosszilis üzemanyag előállítása évről évre nő, jóval nagyobb ütemben, mint a megújuló energia előállítása. A megújuló energia jelenlegi előállítási mértéke meg se közelíti nem tiszta energiaforrások felhasználását, ami probléma lehet a jövőre tekintve. Az adatok alapján az elmondható, hogy a megújuló energia előállítása szintén egy folyamatos növekedést mutat, ami egy pozitív tendencia a jövőre való tekintettel. Az elemzés alapját a fosszilis és megújuló energiaforrásokból származó adatok alkották, melyeket idősorelemző eljárásokkal dolgoztam fel, majd prediktív analitikai módszerekkel modelleztem. Az ARIMA (AutoRegressive Integrated Moving Average), SARIMA (Seasonal ARIMA), LSTM (Long Short-Term Memory) és GRU (Gated Recurrent Unit) módszereket alkalmaztam a prediktív modellezés során, hogy pontosabb és megbízhatóbb eredményeket érhessek el. Ezen kutatás eredményei nemcsak a jelenlegi energiafelhasználási trendekkel kapcsolatos értékes információkat nyújtanak, hanem segíthetnek a döntéshozóknak a jövőbeli energiastratégiák kialakításában és a fenntartható fejlődés felé történő elmozdulásban. Az idősorelemzés és prediktív modellezés kombinációjának alkalmazása olyan eszközöket kínál, amelyek hatékonyan segíthetik az energiaipar szereplőit a környezetvédelmi célok elérésében és a társadalmi felelősségvállalásban.

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 - adatbányászat, ARIMA, energetika, gépi tanulás, GRU, idősorelemzés, LSTM, mélytanulás, Python, statisztikai adatelemzés
SWORD Depositor:	Archive User
Felhasználói azonosító szám (ID):	Archive User
Rekord készítés dátuma:	2024. Máj. 14. 08:11
Utolsó módosítás:	2024. Máj. 14. 08:11

Actions (login required)

Tétel nézet