Prognose von Produktionsmengen mit neuronalen Netzen

Publikationen: Thesis / Studienabschlussarbeiten und HabilitationsschriftenMasterarbeit

Standard

Prognose von Produktionsmengen mit neuronalen Netzen. / Wieser, Daniel.
2012.

Publikationen: Thesis / Studienabschlussarbeiten und HabilitationsschriftenMasterarbeit

Bibtex - Download

@mastersthesis{a781fa80eafb49139c0399cf9c8bee50,
title = "Prognose von Produktionsmengen mit neuronalen Netzen",
abstract = "Der Einsatz von immer genaueren Prognosen ist f{\"u}r Unternehmen zu einem entscheidenden Faktor erfolgsorientierter Planung geworden. Dabei erm{\"o}glichen IT-Systeme von zunehmender Leistungsf{\"a}higkeit die Erstellung von Prognosen auf Grundlage immer komplexerer und aufwendigerer Algorithmen. Ein besonders vielversprechendes Verfahren stellt in diesem Zusammenhang der Einsatz k{\"u}nstlicher neuronaler Netze dar. In dieser Arbeit werden Prognosen f{\"u}r ein reales Szenario der RHI AG konkret mithilfe von vollst{\"a}ndigen Feedforward-Netzen erstellt und auf ihre Genauigkeit getestet. Zum Zwecke des Trainings kommt ein Backpropagation-Algorithmus zur Anwendung. Der Einsatz k{\"u}nstlicher neuronaler Netze stellt dabei eine logische Konsequenz aus der zu Verf{\"u}gung stehenden umfangreichen Datenbasis der RHI AG dar, die sowohl Zeitreihen als auch Querschnittsdaten enth{\"a}lt. Untersucht werden in der Folge die Arbeitsweise des Netzes sowie unterschiedliche Parametereinstellungen und Verfahren, um eine m{\"o}glichst hohe Genauigkeit der Prognosen zu erreichen. Weiters werden die Ergebnisse der vorliegenden Arbeit mit jenen der RHI AG verglichen, wo eine Vielzahl anderer Forecast-Algorithmen zum Einsatz kommen.",
keywords = "forecast, neural networks, production volume, Prognose, Forecast, neuronale Netze, backpropagation, k{\"u}nstliche neuronale Netze",
author = "Daniel Wieser",
note = "gesperrt bis null",
year = "2012",
language = "Deutsch",

}

RIS (suitable for import to EndNote) - Download

TY - THES

T1 - Prognose von Produktionsmengen mit neuronalen Netzen

AU - Wieser, Daniel

N1 - gesperrt bis null

PY - 2012

Y1 - 2012

N2 - Der Einsatz von immer genaueren Prognosen ist für Unternehmen zu einem entscheidenden Faktor erfolgsorientierter Planung geworden. Dabei ermöglichen IT-Systeme von zunehmender Leistungsfähigkeit die Erstellung von Prognosen auf Grundlage immer komplexerer und aufwendigerer Algorithmen. Ein besonders vielversprechendes Verfahren stellt in diesem Zusammenhang der Einsatz künstlicher neuronaler Netze dar. In dieser Arbeit werden Prognosen für ein reales Szenario der RHI AG konkret mithilfe von vollständigen Feedforward-Netzen erstellt und auf ihre Genauigkeit getestet. Zum Zwecke des Trainings kommt ein Backpropagation-Algorithmus zur Anwendung. Der Einsatz künstlicher neuronaler Netze stellt dabei eine logische Konsequenz aus der zu Verfügung stehenden umfangreichen Datenbasis der RHI AG dar, die sowohl Zeitreihen als auch Querschnittsdaten enthält. Untersucht werden in der Folge die Arbeitsweise des Netzes sowie unterschiedliche Parametereinstellungen und Verfahren, um eine möglichst hohe Genauigkeit der Prognosen zu erreichen. Weiters werden die Ergebnisse der vorliegenden Arbeit mit jenen der RHI AG verglichen, wo eine Vielzahl anderer Forecast-Algorithmen zum Einsatz kommen.

AB - Der Einsatz von immer genaueren Prognosen ist für Unternehmen zu einem entscheidenden Faktor erfolgsorientierter Planung geworden. Dabei ermöglichen IT-Systeme von zunehmender Leistungsfähigkeit die Erstellung von Prognosen auf Grundlage immer komplexerer und aufwendigerer Algorithmen. Ein besonders vielversprechendes Verfahren stellt in diesem Zusammenhang der Einsatz künstlicher neuronaler Netze dar. In dieser Arbeit werden Prognosen für ein reales Szenario der RHI AG konkret mithilfe von vollständigen Feedforward-Netzen erstellt und auf ihre Genauigkeit getestet. Zum Zwecke des Trainings kommt ein Backpropagation-Algorithmus zur Anwendung. Der Einsatz künstlicher neuronaler Netze stellt dabei eine logische Konsequenz aus der zu Verfügung stehenden umfangreichen Datenbasis der RHI AG dar, die sowohl Zeitreihen als auch Querschnittsdaten enthält. Untersucht werden in der Folge die Arbeitsweise des Netzes sowie unterschiedliche Parametereinstellungen und Verfahren, um eine möglichst hohe Genauigkeit der Prognosen zu erreichen. Weiters werden die Ergebnisse der vorliegenden Arbeit mit jenen der RHI AG verglichen, wo eine Vielzahl anderer Forecast-Algorithmen zum Einsatz kommen.

KW - forecast

KW - neural networks

KW - production volume

KW - Prognose

KW - Forecast

KW - neuronale Netze

KW - backpropagation

KW - künstliche neuronale Netze

M3 - Masterarbeit

ER -