Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Data mining workspace as an optimization prediction technique for solving transport problems
Autoři: Kuptcova Anastasiia | Průša Petr | Fedorko Gabriel | Molnár Vieroslav
Rok: 2016
Druh publikace: článek v odborném periodiku
Název zdroje: Transport Problems
Strana od-do: 21-31
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Data mining jako technika odhadu optimalizace při řešení dopravních problémů Tento článek řeší studii, týkající se předpovídání časových řad v souvislosti s generováním nutných aktuálních rozhodnutí. Studie využívá dolování dat a modelování pro algoritmickou optimalizaci dosažení dopravních cílů. Získaná zjištění přinášejí adekvátní techniky pro sestavení predikčního modelu. Tento model bude použit pro analýzu budoucích transakčních nákladů v příhraniční oblasti České republiky. Predikční metody vhodné pro časové řady jsou exponenciální metoda, metoda ARIMA a neuronové sítě. Primárním cílem pro prediktivní scénář v dolování dat je poskytnout údaje o modelování rychleji a s větší univerzálností než ostatní manažerské techniky. dolování dat; predikční analýza; ARIMA; predikce časových řad; doprava
eng Data mining workspace as an optimization prediction technique for solving transport problems This article addresses the study related to forecasting with an actual high-speed decision making under careful modelling of time series data. The study uses data-mining modelling for algorithmic optimization of transport goals. Our finding brings to the future adequate techniques for the fitting of a prediction model. This model is going to be used for analyses of the future transaction costs in the frontiers of the Czech Republic. Time series prediction methods for the performance of prediction models in the package of Statistics are Exponential, ARIMA and Neural Network approaches. The primary target for a predictive scenario in the data mining workspace is to provide modelling data faster and with more versatility than the other management techniques. data mining; prediction analysis; ARIMA; time series prediction; transport