prikaz prve stranice dokumenta Primjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje
No public access
master's thesis
Primjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. urn:nbn:hr:168:226408
Pjević, Edin
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Pjević, E. (2022). Primjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:226408

Pjević, Edin. "Primjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:226408

Pjević, Edin. "Primjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2022. https://urn.nsk.hr/urn:nbn:hr:168:226408

Pjević, E. (2022). 'Primjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 13 May 2024, https://urn.nsk.hr/urn:nbn:hr:168:226408

Pjević E. Primjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2022 [cited 2024 May 13] Available at: https://urn.nsk.hr/urn:nbn:hr:168:226408

E. Pjević, "Primjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:168:226408

Metadata
TitlePrimjena evolucijskih algoritama za optimizaciju povratnih neuronskih mreža pri predviđanju potražnje
Title (english)Evolutionary algorithms for optimization of recurrent neural networks in demand forecasting
AuthorEdin Pjević
MentorDomagoj Jakobović (mentor)
Committee memberDomagoj Jakobović (predsjednik povjerenstva)
Committee memberMarko Đurasević (član povjerenstva)
Committee memberLeonardo Jelenković (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2022-07-05, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Predviđanje potražnje se opisuje kao tehnika koja se koristi za procjenu potražnje za nadolazećim proizvodom ili uslugama u budućnosti. Također se može opisati kao proces izrade budućih procjena u odnosu na potražnju kupaca u određenom razdoblju. Ovi opisi su vrlo specifični i ne nude cijelu sliku. Tehnike predviđanja potražnje se mogu primijeniti i na različite druge čimbenike za koje se želi predvidjeti ponašanje poput vremenskih uvjeta, rada postrojenja, statistike populacije itd. Ako čimbenik je pokazao sezonalnost ili trend kroz prošlost, tehnike predviđanja potražnje se mogu iskoristiti na njih za analizu budućnosti. U ovom radu istražuje se uspješnost predviđanja potražnje LSTM povratne neuronske mreže, čiji su hiperparametri optimirani evolucijskom strategijom, na različite vremenske nizove. Uspoređivanjem dobivenih predviđanja za različite kombinacije fiksiranih parametara evolucijske strategije postižu se zadovoljavajući rezultati koji ovise pretežito o ulaznim podacima.
Abstract (english)
Demand forecasting is described as a technique used to estimate demand for an upcoming product or service in the future. It can also be described as the process of making future estimates in relation to customer demand over a period of time. These descriptions are very specific and do not offer the whole picture. Demand forecasting techniques can also be applied to various other factors to predict weather behavior, plant operation, population statistics, etc. If a factor has shown seasonality or a trend through the past, demand forecasting techniques can be used to analyze the future. This paper investigates the success of demand forecasting using LSTM recurrent neural networks, whose hyperparameters are optimized by evolutionary strategy, for different time series. By comparing the obtained predictions for different combinations of fixed parameters of the evolutionary strategy, satisfactory results are achieved, which depend mainly on the input data.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:226408
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-14 09:41:29