Module also offered within study programmes:
General information:
Name:
Modelling, Simulation and Forecasting
Course of study:
2017/2018
Code:
ZZIP-2-103-ZJ-s
Faculty of:
Management
Study level:
Second-cycle studies
Specialty:
Quality Management
Field of study:
Management and Production Engineering
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Responsible teacher:
Kiluk Sebastian (skiluk@zarz.agh.edu.pl)
Academic teachers:
dr Skalna Iwona (skalna@agh.edu.pl)
Stawowy Adam (astawowy@zarz.agh.edu.pl)
dr inż. Pełech-Pilichowski Tomasz (tomek@agh.edu.pl)
Kiluk Sebastian (skiluk@zarz.agh.edu.pl)
Duda Jan Tadeusz (jtduda@zarz.agh.edu.pl)
dr inż. Opiła Janusz (jmo@agh.edu.pl)
Module summary

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K001 Umie rozpoznać złożoności uwarunkowań zadań prognozowania. Rozumie potrzebę poszerzania wiedzy o tych uwarunkowaniach i współdziałania w zespołach interdyscyplinarnych przy formułowaniu prognoz o poważnych konsekwencjach ekonomicznych lub/i społecznych. Potrafi podkreślać odpowiedzialności prognosty za formułowane takich prognoz. Potrafi analizować korzyści z wykorzystania technik matematycznych i narzędzi numerycznych do prognozowania w przedsiębiorstwie. ZIP2A_K03, ZIP2A_K02, ZIP2A_K04 Execution of laboratory classes,
Activity during classes
M_K002 Ma świadomość możliwości i ograniczeń stosowania modeli matematycznych procesów do wspomagania procesów decyzyjnych w zarządzaniu i inżynierii produkcji. Rozumie potrzebę stałego poszerzania wiedzy technologicznej dla budowania modeli procesów i doskonalenia umiejętności posługiwania się nowymi narzędziami komputerowymi ZIP2A_K03, ZIP2A_K01 Execution of exercises,
Participation in a discussion,
Activity during classes
Skills
M_U001 Potrafi wybierać metodę prognozowania stosownie do specyfiki zadania. Umie zapisywać formuły predyktora, potrafi wybierać dane oraz narzędzia numeryczne do ich identyfikacji i praktycznego wykorzystania. Potrafi używać biegle podstawowe narzędzia prognozowania szeregów czasowych. Potrafi oceniać wiarygodność wyników prognozowania oraz ryzyko prognozy. Umie stosować symulacyjne metody analizy niepewności planów produkcyjnych. ZIP2A_U16, ZIP2A_U01, ZIP2A_U06, ZIP2A_U02, ZIP2A_U09, ZIP2A_U07, ZIP2A_U17 Execution of laboratory classes,
Participation in a discussion,
Examination,
Activity during classes
M_U002 Umie zbudować model teoretyczny prostego procesu ciągłego i sformułować zadanie jego identyfikacji. Potrafi dobrać strukturę modelu regresyjnego i posługiwać się biegle metodą analizy regresji. Umie wykorzystać pakiety obliczeniowe do identyfikacji współczynników nieliniowego modelu matematycznego. Potrafi ocenić istotność parametrów. Umie wykorzystać pakiety obliczeniowe do symulacji procesów. ZIP2A_U01, ZIP2A_U18, ZIP2A_U06 Execution of laboratory classes,
Participation in a discussion,
Test,
Activity during classes
Knowledge
M_W001 Umie wyjaśniać rolę prognozowania i symulacji w procesach podejmowania decyzji gospodarczych i inżynierskich. Potrafi definiować podstawy epistemologiczne prognozowania. Potrafi klasyfikować zadania prognozowania w zależności od złożoności oddziaływań otoczenia, horyzontu predykcji i konsekwencji błędów prognoz. Potrafi przywoływać zasady prognozowania eksperckiego i matematycznego. Potrafi rozpoznawać silne i słabe strony tych podejść i ich komplementarność. Umie wymieniać metody prognozowania matematycznego oraz symulacji procesów technologicznych i stochastycznych, z uwzględnieniem potrzeb zarządzania i inżynierii produkcji. ZIP2A_W15, ZIP2A_W11, ZIP2A_W05 Participation in a discussion,
Examination,
Activity during classes
M_W002 Potrafi klasyfikować zadania modelowania procesów w zależności od celu modelowania. Zna podstawowe metody budowania modeli matematycznych fenomenologicznych, zna zasady budowania modeli regresyjnych, rozumie ich ograniczenia i zakres stosowalności. Zna zasady redukcji złożoności modelu i linearyzacji. Zna zasady planowania eksperymentów. Zna zasady komputerowej symulacji dynamiki procesów. ZIP2A_W02, ZIP2A_W15, ZIP2A_W11, ZIP2A_W05 Participation in a discussion,
Test,
Activity during classes
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K001 Umie rozpoznać złożoności uwarunkowań zadań prognozowania. Rozumie potrzebę poszerzania wiedzy o tych uwarunkowaniach i współdziałania w zespołach interdyscyplinarnych przy formułowaniu prognoz o poważnych konsekwencjach ekonomicznych lub/i społecznych. Potrafi podkreślać odpowiedzialności prognosty za formułowane takich prognoz. Potrafi analizować korzyści z wykorzystania technik matematycznych i narzędzi numerycznych do prognozowania w przedsiębiorstwie. - - + - - - - - - - -
M_K002 Ma świadomość możliwości i ograniczeń stosowania modeli matematycznych procesów do wspomagania procesów decyzyjnych w zarządzaniu i inżynierii produkcji. Rozumie potrzebę stałego poszerzania wiedzy technologicznej dla budowania modeli procesów i doskonalenia umiejętności posługiwania się nowymi narzędziami komputerowymi - - - - - - - - - - -
Skills
M_U001 Potrafi wybierać metodę prognozowania stosownie do specyfiki zadania. Umie zapisywać formuły predyktora, potrafi wybierać dane oraz narzędzia numeryczne do ich identyfikacji i praktycznego wykorzystania. Potrafi używać biegle podstawowe narzędzia prognozowania szeregów czasowych. Potrafi oceniać wiarygodność wyników prognozowania oraz ryzyko prognozy. Umie stosować symulacyjne metody analizy niepewności planów produkcyjnych. + - + - - - - - - - -
M_U002 Umie zbudować model teoretyczny prostego procesu ciągłego i sformułować zadanie jego identyfikacji. Potrafi dobrać strukturę modelu regresyjnego i posługiwać się biegle metodą analizy regresji. Umie wykorzystać pakiety obliczeniowe do identyfikacji współczynników nieliniowego modelu matematycznego. Potrafi ocenić istotność parametrów. Umie wykorzystać pakiety obliczeniowe do symulacji procesów. - - + - - - - - - - -
Knowledge
M_W001 Umie wyjaśniać rolę prognozowania i symulacji w procesach podejmowania decyzji gospodarczych i inżynierskich. Potrafi definiować podstawy epistemologiczne prognozowania. Potrafi klasyfikować zadania prognozowania w zależności od złożoności oddziaływań otoczenia, horyzontu predykcji i konsekwencji błędów prognoz. Potrafi przywoływać zasady prognozowania eksperckiego i matematycznego. Potrafi rozpoznawać silne i słabe strony tych podejść i ich komplementarność. Umie wymieniać metody prognozowania matematycznego oraz symulacji procesów technologicznych i stochastycznych, z uwzględnieniem potrzeb zarządzania i inżynierii produkcji. + - + - - - - - - - -
M_W002 Potrafi klasyfikować zadania modelowania procesów w zależności od celu modelowania. Zna podstawowe metody budowania modeli matematycznych fenomenologicznych, zna zasady budowania modeli regresyjnych, rozumie ich ograniczenia i zakres stosowalności. Zna zasady redukcji złożoności modelu i linearyzacji. Zna zasady planowania eksperymentów. Zna zasady komputerowej symulacji dynamiki procesów. + - + - - - - - - - -
Module content
Lectures:

1. Prognozowanie matematyczne i eksperckie: podstawy epistemologiczne narzędzia formalne, założenia prognostyczne, cele prognozowania, Wykorzystanie prognoz w sterowaniu i zarządzaniu produkcją
2. Modele ekonometryczne w prognozowaniu.
3. Zasady prognozowania szeregów czasowych. Modele tendencji rozwojowej w prognozowaniu – istota prognozowania przez ekstrapolację. Prognozowanie szeregów czasowych z tendencją i wahaniami sezonowymi. Istota metod adaptacyjnych: wygładzanie wykładnicze (modele: Holta, Wintersa, Holta-Wintersa, modele harmoniczne), model trendu pełzającego.
4. Prognozowanie szeregów czasowych z wykorzystaniem modeli dynamicznych ARMA, ARIMA oraz ARMAX i ARIMAX: założenia, modele matematyczne, ocena jakości prognoz, wpływ długości horyzontu prognozy.
5. Zagadnienia prognozowania przez analogie (rodzaje, kryteria podobieństwa, zmienne wiodące i naśladujące)
6. Metoda Monte Carlo – cele, założenia, uwarunkowania czasowe i numeryczne, interpretacja wyników.
7. Zasady symulacji procesów ciągłych, narzędzia numeryczne symulacji, uwarunkowania wiarygodności wyników.
8. Zasady symulacji procesów dyskretnych i procesów masowej obsługi: narzędzia numeryczne symulacji, uwarunkowania wiarygodności wyników.
9. Symulacyjna analiza niepewności planów produkcyjnych – analiza scenariuszy w warunkach niepewności informacji.
10.Pojęcie procesu i jego otoczenia, klasyfikacja procesów (ciągłe/dyskretne, dynamiczne/statyczne, stacjonarne/niestacjonarne), stany równowagowe i przebiegi przejściowe. Model matematyczny procesu i kryteria oceny jego jakości, cel modelowania jako punkt wyjścia do konstrukcji modelu, specyfikacja zmiennych wejściowych, wyjściowych i stanu procesu.
11.Modele fenomenologiczne: zasady zachowania i ich wykorzystanie do konstrukcji modeli w przestrzeni stanu, znaczenie wiedzy dziedzinowej, zasady redukcji złożoności modelu fenomenologicznego. Identyfikacji parametrów modelu teoretycznego. Linearyzacja modeli w przestrzeni stanu, modele liniowe w dziedzinie czasu i częstotliwości. Typowe człony dynamiczne – inercyjne, oscylacyjne, minimalno- i nieminimalnofazowe.
12.Modele statystyczne (wejścia/wyjścia) – metoda czarnej skrzynki: zakres zastosowań metod statystycznych, zasady doboru zmiennych wejściowych, metody redukcji liczby wejść (analiza komponentów głównych). Regresja liniowa – założenia, ograniczenia zastosowań, analiza istotności statystycznej wejść. Zastosowanie regresji liniowej do identyfikacji modeli nieliniowych linearyzowanych – zasady i ograniczenia. Regresja nieliniowa – problemy identyfikacji.
13.Regresja dynamiczna – modele ARMA, ARIMA, i ARMAX i ARIMAX – problemy budowy i identyfikacji.
14.Zastosowanie sztucznych sieci neuronowych do budowy modeli statycznych i dynamicznych – zakres zastosowań i ograniczenia: sieci neuronowe, ich rodzaje i sposoby wykorzystania do modelowania procesów.

Laboratory classes:

1.Zapoznanie się z narzędziami modelowania i prognozowania pakietu EXCEL i MATLAB.
2.Rozwiązywanie przykładowych zadań modelowania i prognozowania jednoczynnikowego w pakietach EXCEL, STATGRAF i MATLAB.
3.Przygotowanie danych do wariantowego prognozowania zależności ekonometrycznych w pakiecie MATLAB i STATGRAF – analiza wyników.
4.Badanie właściwości modeli regresyjnych liniowych na przykładzie modeli statycznych wielomianowych, z wykorzystaniem prostego skryptu przygotowanego przez studenta w środowisku MATLAB (analiza efektów złego uwarunkowania modelu, poziomu zakłóceń, nadparametryzacji, określenie przedziałów ufności).
5.Zapoznanie się z metodami algorytmicznego doboru struktury modelu (metoda odrzucania i dołączania) z wykorzystanie skryptu przygotowanego przez prowadzącego zajęcia. Budowa prostego modelu dynamicznego ARMA.

Workshops:
-
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 130 h
Module ECTS credits 5 ECTS
Participation in lectures 28 h
Participation in project classes 14 h
Participation in laboratory classes 14 h
Preparation for classes 28 h
Realization of independently performed tasks 30 h
Examination or Final test 2 h
Completion of a project 14 h
Additional information
Method of calculating the final grade:

Ocena końcowa wystawiana jest przez prowadzącego wykład jako średnia z ćwiczeń z wagą 0.25 (uśredniona ocena z odpowiedzi ustnych), z laboratorium z wagą 0.3 i z egzaminu końcowego testowego (waga 0.45).
Ocenę zaokrągla się zależnie od obecności na wykładach, z możliwością podniesienia (maks. o 1.0) na podstawie dodatkowego kolokwium ustnego.

Prerequisites and additional requirements:

Statystyka (statystyczne analizy danych, regresja, wnioskowanie statystyczne), matematyka (analiza matematyczna, rachunek macierzowy, równania różniczkowe), technologie informacyjne (podstawowe algorytmy obliczeniowe, umiejętność programowania prostych aplikacji numerycznych), komputerowe wspomaganie prac inżynierskich (umiejętność biegłego posługiwania się pakietami oprogramowania do złożonych obliczeń inżynierskich i analiz statystycznych). Wiedza ogólna z zakresu fizyki, znajomość podstawowych metod statystyki matematycznej i algebry, umiejętność programowania w środowisku MATLAB

Recommended literature and teaching resources:

Literatura podstawowa:
1. Box G.E.P., Jenkins G.M.: Analiza szeregów czasowych, PWN, Warszawa 1983.
2. Dittmann P.: Prognozowanie w przedsiębiorstwie. Metody i ich zastosowanie, Oficyna Ekonomiczna, Kraków 2004.
3. Duda J.T.: Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego, WND AGH, Kraków 2003.
4. Nowak E. (red.): Prognozowanie gospodarcze. Metody, modele, zastosowania, przykłady. Placet 1998.
5. Duda J.T: Modele matematyczne, struktury i algorytmy nadrzędnego sterowania komputerowego. WND AGH, Kraków 2003
6. Mańczak K., Nachorski M.: Komputerowa identyfikacja obiektów dynamicznych. Warszawa, PWN, 1981
7. Tadeusiewicz R.: Sieci neuronowe: Warszawa, WNT, 1997.
8. Box G.E.P., Jenkins G.M.: Analiza szeregów czasowych. PWN, Warszawa, 1983
Zasoby internetowe:
materiały pomocnicze do zajęć (manuskrypt opracowania wykładowcy nt. metod statystycznych modelowania procesów)
Literatura uzupełniająca:
1. Duda J.T.: Materiały dydaktyczne nt. wykorzystania metod statystycznych w prognozowaniu (dwa dokumenty elektroniczne udostępniane na życzenie drogą elektroniczną).
2. Dudek-Dyduch E.: Systemy informatyczne zarządzania. WND AGH, Kraków 2002.
3. Mańczak K., Nachorski M.: Komputerowa identyfikacja obiektów dynamicznych, PWN, Warszawa 1981.

Scientific publications of module course instructors related to the topic of the module:

Dynamic classification system in large-scale supervision of energy efficiency in buildings / S. KILUK // Applied Energy ; ISSN 0306-2619. — 2014 vol. 132, s. 1–14.

Additional information:

None