Module also offered within study programmes:
General information:
Name:
Modelling, Simulation and Forecasting
Course of study:
2019/2020
Code:
ZZIP-2-103-n
Faculty of:
Management
Study level:
Second-cycle studies
Specialty:
-
Field of study:
Management and Production Engineering
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Part-time studies
Responsible teacher:
dr inż. Rębiasz Bogdan (brebiasz@zarz.agh.edu.pl)
Module summary

Celem modułu jest zapoznanie studentów z metodami prognozowania i symulacji komputerowej.
Prezentowane są zagadnienia doboru metod prognozowania do dowolnego zadania
prognostycznego, opracowywania prognoz zjawisk gospodarczych i oceny jakości prognoz. Ponadto
prezentowane są problemy wykorzystania symulacji komputerowej do analizy zjawisk gospodarczych i inżynierskich. Przedstawiane są zasady budowy i weryfikacji modeli symulacyjnych oraz problemy statystycznej weryfikacji wyników symulacji.

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: is able to
M_K001 Ma świadomość możliwości i ograniczeń stosowania modeli matematycznych do wspomagania procesów decyzyjnych w zarządzaniu i inżynierii produkcji. ZIP2A_K01 Execution of laboratory classes,
Execution of a project,
Examination
Skills: he can
M_U001 Potrafi wybrać metodę prognozowania stosownie do specyfiki zadania. Potrafi oceniać wiarygodność wyników prognozowania. ZIP2A_U01 Execution of a project,
Test,
Examination
M_U002 Potrafi wykorzystać pakiety obliczeniowe do identyfikacji współczynników modelu prognostycznego. Potrafi wykorzystać pakiety obliczeniowe do symulacji procesów. ZIP2A_U01, ZIP2A_U04 Execution of a project,
Examination,
Execution of laboratory classes
Knowledge: he knows and understands
M_W001 Zna klasyfikację metod prognozowaniaoraz ich mocne i słabe strony. Znazasady symulacji komputerowej ZIP2A_W06, ZIP2A_W05 Test,
Examination
M_W002 Zna podstawowe metody budowania modeli matematycznych fenomenologicznych, zna zasady budowania modeli regresyjnych,rozumie ich ograniczenia i zakres stosowalności. ZIP2A_W06, ZIP2A_W05 Execution of a project,
Examination,
Test
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
28 12 0 8 0 0 0 0 0 8 0 0
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
Prace kontr. przejść.
Lektorat
Social competence
M_K001 Ma świadomość możliwości i ograniczeń stosowania modeli matematycznych do wspomagania procesów decyzyjnych w zarządzaniu i inżynierii produkcji. + - - - - - - - - - -
Skills
M_U001 Potrafi wybrać metodę prognozowania stosownie do specyfiki zadania. Potrafi oceniać wiarygodność wyników prognozowania. + - + - - - - - + - -
M_U002 Potrafi wykorzystać pakiety obliczeniowe do identyfikacji współczynników modelu prognostycznego. Potrafi wykorzystać pakiety obliczeniowe do symulacji procesów. - - + - - - - - + - -
Knowledge
M_W001 Zna klasyfikację metod prognozowaniaoraz ich mocne i słabe strony. Znazasady symulacji komputerowej + - + - - - - - + - -
M_W002 Zna podstawowe metody budowania modeli matematycznych fenomenologicznych, zna zasady budowania modeli regresyjnych,rozumie ich ograniczenia i zakres stosowalności. + - + - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 125 h
Module ECTS credits 5 ECTS
Udział w zajęciach dydaktycznych/praktyka 28 h
Preparation for classes 41 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 20 h
Realization of independently performed tasks 34 h
Examination or Final test 2 h
Module content
Lectures (12h):

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 (8h):

1.Budowa modeli ekonometrycznych liniowych i nieliniowych. Analiza konsekwencji
linearyzacji modeli nieliniowych. Ocena jakości prognoz.
2.Prognozowania na podstawie szeregów czasowych
- Metody naiwne,
- Metody średniej ruchomej,
- Wygładzanie wykładnicze (prosty model wygładzania wykładniczego, model liniowy
Holta, model Wintersa),
- Modele tendencji rozwojowej (modele analityczne, trend pełzający),
- Modele składowej periodycznej (metoda wskaźników, analiza harmoniczna),
3.Prognozowanie na podstawie modeli dynamicznych. Dyskusja wad i zalet modeli
ARIMA.
4.Prognozy analogowe, wybór kryterium podobieństwa.
5.Wykorzystanie metod Monte Carlo do oceny ryzyka ekonomicznego.

Workshops (8h):

1.Zasady symulacji deterministycznej i metod Monte Carlo. Konstruowanie scenariuszy. Wady i zalety symulacji komputerowej.
2.Metody generowania liczb losowych.
3.Metody statystycznej weryfikacji wyników symulacji.
4.Wykorzystanie metod Monte Carlo do rozwiązywania wybranych problemów.
5.Prezentacja wyników projektów.

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Laboratory classes: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
  • Workshops: Po wprowadzeniu merytorycznym dokonanym przez prowadzącego studenci rozwiązują zadane wcześniej problemy. Prowadzący na bieżąco dokonuje stosowanych wyjaśnień i moderuje dyskusję z grupą nad danym problemem.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Podstawą zaliczenia ćwiczeń warsztatowych jest obecność na zajęciach i ocena z prezentacji projektu.
Podstawą zaliczenia ćwiczeń laboratoryjnych jest wykonanie wszystkich zaplanowanych
ćwiczeń i ocena z kolokwium zaliczeniowego.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Laboratory classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
  • Workshops:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci przystępując do ćwiczeń są zobowiązani do przygotowania się w zakresie wskazanym każdorazowo przez prowadzącego (np. w formie zestawów zadań). Ocena pracy studenta może bazować na wypowiedziach ustnych lub pisemnych w formie kolokwium, co zgodnie z regulaminem studiów AGH przekłada się na ocenę końcową z tej formy zajęć.
Method of calculating the final grade:

Ocena końcowa wystawiana jest przez prowadzącego wykład jako średnia ocen z zajęć warsztatowych z
wagą 0.25, z zajęć laboratoryjnych z wagą 0.3 i z egzaminu końcowego (waga 0.45).

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Ćwiczenia warsztatowe i laboratoryjne, w których student nie uczestniczył powinny być odrobione w
innym terminie. Jeśli jet to niemożliwe zaległości mogą być wyrównane poprzez wykonanie zadań
zleconych przez prowadzącego.

Prerequisites and additional requirements:

Prerequisites and additional requirements not specified

Recommended literature and teaching resources:

1. Cieślak M.: Prognozowanie gospodarcze, metody i zastosowania. Wydawnictwo Naukowe PWN.
Warszawa 2004.
2. Dittmann P.: Prognozowanie w przedsiębiorstwie. Metody i ich zastosowanie, Oficyna Ekonomiczna,
Kraków 2004.
3. Nowak E. (red.): Prognozowanie gospodarcze. Metody, modele, zastosowania, przykłady. Placet 1998.
4. Box G.E.P., Jenkins G.M.: Analiza szeregów czasowych. PWN, Warszawa 1983.
5. Gajda J.B.: Prognozowanie i symulacja a decyzje gospodarcze. Wydawnictwo C.H. Beck, Warszawa
2001.
6. Nowak M.: Symulacja komputerowa w problemach decyzyjnych. AE Katowice, Katowice, 2007.

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

1. Rębiasz B., Gaweł B., Skalna I.: Data mining methods for long-term forecasting of market demand for
industrial goods, W: ISAT 2015, Information Systems Architecture and Technology: proceedings of the
36th international conference on Information Systems Architecture and Technology, eds. Zofia
Wilimowska (et al.), Switzerland, Springer International Publishing Switzerland, 2016
2.Rębiasz B., Macioł A.: Agent-based modelling and simulation in steel products market forecasting.
Steel Research International, 2008, vol. 79, spec. ed., s. 863–870.
3. Rębiasz B.: Hybrid correlated data in risk assessment. Operations Research and Decisions, 2015 vol.
25 no. 1, s. 81–101.
4. Rębiasz B.: Hybrid method for forecasting a steel mill’s sales. Journal of Business & Economics
Research, 2007, vol. 5, nr 4, s. 33–48.
5.Pełech-Pilichowski T., Jan T. Duda: A two-level algorithm of time series change detection based on a
unique changes similarity method. [W]: Proceedings of the International Multiconference on Computer
Science and Information Technology. Vol. 5 [Dokument elektroniczny], October 18–20, 2010, Wisła,
Poland. eds. M. Ganzha, M. Paprzycki. Katowice : Polskie Towarzystwo Informatyczne, 2010, s. 263.
6.Pełech-Pilichowski T., Jan T. Duda: Analiza podobieństwa sygnałów diagnostycznych z wykorzystaniem
metod odległościowych, Automatyka: półrocznik Akademii Górniczo-Hutniczej im. Stanisława Staszica w
Krakowie, 2011 t. 15 z. 2 s. 389–397.
7.Pelech-Pilichowski T., Jan T. Duda: A two-level detector of short-term unique changes in time series
based on a similarity method. Expert Systems, on-line 2012
8.Duda Jan T.,Pełech-Pilichowski T: Enhancements of moving trend based filters aimed at time series
prediction. W: Advances in systems science : proceedings of the International Conference on Systems
Science 2013 (ICSS 2013) / eds. Jerzy Świątek, [et al.]. — Switzerland : Springer International

Additional information:

None