Wykorzystanie integracji wiedzy do zwiększenia efektywności prognozowania w warunkach niepewności

• Autorzy: Jadwiga Mercik , Oskar Tołkacz , Joanna Wojciechowska , Marcin Maleszka
• Języki publikacji: PL

Abstrakty

Prognozowanie jest powszechnie wykorzystywane w różnych zastosowaniach praktycznych i teoretycznych (np. przewidywanie kursów walut, obciążenia Sewerów, mchu ulicznego i innych). Dla wszystkich z nich możliwe jest wykorzystanie zarówno specjalistycznych metod prognozowania, jak i metod ogólnych. W przypadku prognozowania ekonomicznego są one nazywane analizą techniczną. Jednym z pierwszych prognozowanych zjawisk była pogoda. Obecnie do jej prognozowania stosuje się głównie modele numeryczne czy chemiczne, jednak nadal w niektórych sytuacjach wykorzystywane są też ogólne modele matematyczne. Ich stosowanie ma na celu głównie demonstrację różnych technik przez porównanie ich do ogólnie znanego zastosowania. Prognozowanie pogody jest zresztą bardzo ważne niezależnie od potencjału demonstracyjnego. Kluczowe jest m.in. w harmonogramowaniu prac budowlanych i innych oraz przewidywaniu niektórych zjawisk gospodarczych. W naszych badaniach wykorzystywaliśmy system wieloagentowy do prognozowania pogody, opierając się na metodach integracji wiedzy. Agent to program komputerowy, który obserwuje otoczenie i na podstawie obserwacji podejmuje decyzje, a następnie przedstawia podsumowanie swojej pracy. Inteligentny agent dodatkowo wykazuje pewne aspekty inteligencji (w tym wypadku inteligencji obliczeniowej). Metody integracji wiedzy wykorzystywane są m.in. do łączenia danych (wiedzy, opinii itp.) z różnych źródeł w pojedynczy, zintegrowany rezultat. Taki rezultat powinien być w pewien sposób reprezentatywny dla zbioru źródeł. W dalszej części niniejszego opracowania omówiono wcześniej wykorzystywane do prognozowania pogody metody ogólne, scharakteryzowano krótko architekturę systemu prognozowania, a także opisano eksperyment pokazujący skuteczność stosowanego podejścia. (fragment tekstu)

Słowa kluczowe

PL

Zintegrowane systemy informatyczne; Metody prognozowania; Systemy multiagentowe; Symulacja wieloagentowa

EN

Information integrated system; Forecasting methods; Multi-agent system; Multi-agent based simulation

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2015
• Tom: Systemy wspomagania organizacji SWO 2015
• Strony: 186--195

Twórcy

autor

Jadwiga Mercik

• Liceum Ogólnokształcące nr III im. Adama Mickiewicza we Wrocławiu

autor

Oskar Tołkacz

• Liceum Ogólnokształcące nr III im. Adama Mickiewicza we Wrocławiu

autor

Joanna Wojciechowska

• Liceum Ogólnokształcące nr III im. Adama Mickiewicza we Wrocławiu

autor

Marcin Maleszka

• Politechnika Wrocławska

Bibliografia

• Baboo S.S., Shereef I.K. (2010), An Efficient Weather Forecasting System Using Artificial Neural Network, "Int. J. Environ. Sci. Dev.", 1.
• Chen S.M., Hwang J.R. (2000), Temperature Prediction Using Fuzzy Time Series, "IEEE Trans. Syst. Man Cybern B Cybern", 30.
• Hayati M., Mohebi Z. (2007), Temperature Forecasting Based on Neural Network Approach, "World Applied Sci. J.", 2.
• Lee L.W., Wang L.H., Chen S.M., Leu Y.H. (2006), Handling Forecasting Problems Based on Two-factors High-order Fuzzy Time Series, "IEEE Trans. Fuzzy Syst.", 14.
• Li S.T., Cheng Y.C. (2010), A Stochastic HMM Based Forecasting Model for Fuzzy Time Series, "IEEE Trans. Syst. Man Cybem. B Cybern.", 40.
• Maleszka M. (2015), System wieloagentowy wspomagający prognozowanie pogody - raport, Politechnika Wrocławska, Wrocław.
• Nguyen N.T. (2002), Metody wyboru consensusu i ich zastosowanie w rozwiązywaniu konfliktów w systemach rozproszonych, Oficyna Wydawnicza PWr, Wrocław.
• Pal N.R., Pal S., Das J., Majumdar K. (2003), SOFM-MLP: A Hybrid Neural-network for Atmospheric Temperature Prediction, "IEEE Trans. Geosci. Remote Sensing", 41.
• Radhika Y., Shashi M. (2009), Atmospheric Temperature Prediction Using Support Vector Machines, "Int. J. Comput. Theory Eng.", 1.
• Riordan D., Hansen B.K. (2009), A Fuzzy Code-based System for Weather Prediction, "Eng. Int. Syst.", 10.
• Rastogi A., Srivastava A., Pandey A.K. (2011), Pattern Analysis Approach for Prediction Using Wavelet Neural Networks, Proceedings of International Conference on Neural Computation, Shanghai.
• Sharma A., Manoria M. (2006), A Weather Forecasting System Using Concept of Soft Computing: A New Approach, Proceedings of International Conference on Advanced Computing and Communications, Saruthlcal.