Prognozowanie czasu trwania awarii koparek kołowych z zastosowaniem metod sieci neuronowych, regresji wielorakiej i ARIMA. Część 1

• Autorzy: Magdalena Rogalska

Warianty tytułu

Predicting the Duration of Failure Wheel Excavators Using Neural Networks, Multiple Regression and ARIMA Methods. Part 1

• Języki publikacji: PL

Abstrakty

W harmonogramowaniu procesów budowlanych bardzo istotne jest wyznaczanie zapasów czasu. Tworzone są bufory czasu wyznaczane standardowo, np. Goldratt wyznacza bufor projektowy, który zawsze ma wartość 25% pierwotnie ustalonego czasu trwania procesu. Znajomość rzeczywistych wartości buforów czasu jest bardzo istotna. Mając rzeczywiste dane proces decyzyjny może osiągnąć wyższy poziom prawidłowości planowania. Dotychczas w budownictwie nie używano dużych baz danych. Jest to jednak możliwe, co wykazano w niniejszej pracy. Dane coraz częściej zbierane są przez filmy budowlane oraz przez filmy związane z budownictwem. Kontynuacją niniejszej pracy będzie prognozowanie czasu awarii koparek kołowych z podziałem na marki. (fragment tekstu)

EN

The study analyzed the possibility of forecasting the time of failure wheeled excavators using the methods of multiple regression, ARIMA (Autoregressive Integrated Moving Average) and automated neural network. There were presented : the methodology for the preparation of data sheets, transformations of variables and selection of models in terms of statistical regularity of their use. The calculation results of forecasts were analyzed for periods from 85 to 90 by calculating the mean absolute percentage error (MAPE). Work presented the advantages and disadvantages of the proposed methods. The presented methodology is a new solution, not published, yet. There are plans to develop a method of generalization of computations.(original abstract)

Słowa kluczowe

PL

Badania operacyjne

EN

Operations research

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2012
• Numer: nr 97 Modelowanie preferencji a ryzyko '12
• Strony: 433--448

Twórcy

autor

Magdalena Rogalska

• Politechnika Lubelska

Bibliografia

• Cieślak M. (2001). Prognozowanie gospodarcze: metody i zastosowanie. Wydawnictwo Naukowe PWN, Warszawa.
• Kot S., Jakubowski J., Sokołowski A (2007). Statystyka. Difin, Warszawa.
• Martyniak Z. (1997). Wstęp do inwentyki. Wydawnictwo Uczelniane, Kraków, s.32.
• Podręcznik internetowy STATISTICA http://www.statsoftpl /textbook/sttimser. htm
• S. Skompka D. (2004). Neural Networks in Risk Management of a Project 2004 AACE International Transaction (CSCLSI-CSC.ł-S7). The Association for the Advancement of Cost Engineering, USA, Washington.
• Skorupka D. (2003). Risk Management in Building Projects. AACE International Transaction (CSCł-91-CSCL96). The Association for the Advancement of Cost Engineering, USA, Orlando.
• Stanisz A (2006). Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. T l. StatSoft Polska Sp. z o.o., Kraków.