Είσοδος

Τεχνικές Προβλέψεων

Γενικά στοιχεία

 

 
Περιγραφή

Σκοπός
Το μάθημα επικεντρώνεται στην αναλυτική περιγραφή των πιο σύγχρονων, στατιστικών και μη, προσεγγίσεων, μεθόδων και τεχνικών πρόβλεψης, με στόχο την απόκτηση γνώσης και εμπειρίας των σπουδαστών στην μεθοδολογία και εφαρμογή των τεχνικών προβλέψεων. Επίσης εστιάζει στην χρήση πληροφοριακών συστημάτων επιχειρηματικών προβλέψεων από τους σπουδαστές με στόχο την εξοικείωση αυτών σε επιχειρηματικές πρακτικές και επιχειρηματικά εργαλεία νέων τεχνολογιών. Απώτερος στόχος είναι οι σπουδαστές να αποκτήσουν όχι μόνο την γνώση αλλά και την πρακτική εφαρμογή της στις τεχνικές προβλέψεων.

Αντικείμενο
Το μάθημα αναφέρεται σε μαθηματικά μοντέλα και μεθόδους πρόβλεψης, σε χρονοσειρές, κατηγορίες μεθόδων προβλέψεων, μέτρηση της ακρίβειας των προβλέψεων, και σε διαφορετικά πεδία εφαρμογής αυτών. Επίσης αναφέρεται στην ανάλυση χρονοσειρών, σε βασικές στατιστικές έννοιες, σε ποιοτικά χαρακτηριστικά των χρονοσειρών και μεθοδολογικά εργαλεία ανάλυσης χρονοσειρών.
Δίνεται ιδιαίτερη έμφαση στις εφαρμογές των μεθόδων, στην συγκριτική αξιολόγηση των εναλλακτικών τεχνικών για κάθε περίπτωση και στην αφομοίωση βασικών εργαλείων που είναι απαραίτητα στην διαδικασία πρόβλεψης. Σημαντικό είναι η ενσωμάτωση της τεχνογνωσίας και των διαδικασιών πρόβλεψης σε ένα προηγμένο πληροφοριακό σύστημα επιχειρηματικών προβλέψεων ΠΥΘΙΑ το οποίο σχεδιάστηκε και υλοποιήθηκε από εργαστήριο Συστημάτων Προβλέψεων και Στρατηγικής.
Η διδασκαλία του μαθήματος περιλαμβάνει τις θεωρητικές ενότητες οι οποίες περιγράφονται  αναλυτικά παρακάτω και παράλληλη εκπαίδευση και παρουσίαση των τεχνικών και διαδικασιών πρόβλεψης μέσα από την χρήση του πληροφοριακού συστήματος ΠΥΘΙΑ.
 
Στόχοι του μαθήματος
Οι σπουδαστές θα μπορούν, μετά το τέλος των διαλέξεων και την διεξαγωγή των ασκήσεων, να:
  • έχουν ολοκληρωμένη γνώση στη μεθοδολογία και εφαρμογή των τεχνικών πρόβλεψης
  • χρησιμοποιούν πληροφοριακά συστήματα για την υλοποίηση των διαδικασιών πρόβλεψης
  • να αναλύουν και να προσαρμόζουν τα αρχικά δεδομένα
  • γνωρίζουν τις κύριες μεθόδους και τεχνικές πρόβλεψης
  • διακρίνουν τα ποιοτικά χαρακτηριστικά των χρονοσειρών
  • υπολογίζουν τους κινητούς μέσους όρους των δεδομένων
  • εφαρμόζουν τις μεθόδους πρόβλεψης και να αναλύουν τα δεδομένα που απαιτούνται για τον σχεδιασμό. Πρόβλεψη και σχεδιασμός (ο ρόλος της πρόβλεψης για προγραμματισμό και λήψη αποφάσεων)
  • γνωρίζουν την δυναμική και τη χρήση των τεχνικών πρόβλεψης

Ύλη

Ο τρόπος διδασκαλίας του μαθήματος των Τεχνικών προβλέψεων θα γίνει με τρόπο συνδυασμού θεωρίας και παραδειγμάτων. Επίσης θα στηριχθεί στην δομή και αρχιτεκτονική του πληροφοριακού συστήματος ΠΥΘΙΑ, όπου παράλληλα με την διάλεξη, θα γίνεται και απεικόνιση των διαδικασιών μέσω του πληροφοριακού συστήματος.  Παρακάτω παρουσιάζεται η αναλυτική περιγραφή του αντικειμένου του μαθήματος και ενδεικτική κατανομή αυτού σε δεκατρείς (13) διδακτικές εβδομάδες.
 
Διάλεξη 1η: Σκοπός μαθήματος, Διάρθρωση μαθήματος, Ασκήσεις, Βαθμολογία | Δεδομένα: Χρονοσειρά, Ποιοτικά χαρακτηριστικά χρονοσειρών, Διάρθρωση – δομή Δεδομένων, Είδη δεδομένων | Πρόβλεψη (Ορισμός Πρόβλεψης, Πεδία και εφαρμογές πρόβλεψης, Κατηγορίες μεθόδων πρόβλεψης, Μειονεκτήματα και πλεονεκτήματα μεθόδων πρόβλεψης), Διαδικασία Πρόβλεψης
 
Διάλεξη 2η: Γραφική αναπαράσταση δεδομένων | Διαχείριση κενών και μηδενικών τιμών | Ημερολογιακές προσαρμογές | Στατιστική ανάλυση (Βασική Στατιστική Ανάλυση, Στατιστική Ανάλυση Ακρίβειας Προβλέψεων) | Ρυθμός Ανάπτυξης
 
Διάλεξη 3η: Κινητοί Μέσοι Όροι για εξομάλυνση (Απλός κινητός μέσος όρος, Σταθμισμένος κινητός μέσος όρος, Διπλός κινητός μέσος όρος, Κεντρικός κινητός μέσος όρος) | Κλασική Μέθοδος Αποσύνθεσης | Μέθοδοι Συρρίκνωσης Συντελεστών | Έλεγχος σημαντικής εποχιακής συμπεριφοράς
 
Διάλεξη 4η: Ειδικά Γεγονότα & Ενέργειες (Special Events & Actions): Μέθοδοι Εντοπισμού & Εξομάλυνση Δεδομένων
 
Διάλεξη 5η: Κατηγορίες Προβλέψεων (Στατιστική, Κριτική, Στόχου, Τελική) | Ορίζοντας Πρόβλεψης | Διαστήματα Εμπιστοσύνης | Διαδικασία πρόβλεψης στις επιχειρήσεις | Κινητοί Μέσοι Όροι για πρόβλεψη | Μέθοδοι Εκθετικής Εξομάλυνσης (Μοντέλο σταθερού επιπέδου)
 
Διάλεξη 6η: Μέθοδοι Εκθετικής Εξομάλυνσης (Μοντέλο γραμμικής τάσης, Μοντέλα μη γραμμικής τάσης, Εποχιακή Εξομάλυνση) | Επιλογή μοντέλου εξομάλυνσης 
 
Διάλεξη 7η: Δεδομένα Διακοπτόμενης Ζήτησης | Μέθοδοι Διακοπτόμενης Ζήτησης (Μέθοδος Croston, Μέθοδος SBA, Μέθοδος ADIDA)
 
Διάλεξη 8η: Μοντέλα Παλινδρόμησης (Απλή Γραμμική Παλινδρόμηση, Πολλαπλή Παλινδρόμηση)
 
Διάλεξη 9η: Μοντέλο Πρόβλεψης Theta  | Διαγωνισμοί Προβλέψεων 
 
Διάλεξη 10η: Εισαγωγή στα ARIMA Μοντέλα Πρόβλεψης Χρονοσειρών 
 
Διάλεξη 11η: Εισαγωγή στα ARIMA Μοντέλα Πρόβλεψης Χρονοσειρών | | Περιορισμοί των προβλέψεων 
 
Διάλεξη 12η: Αξιολόγηση Προβλέψεων | Παρακολούθηση Προβλέψεων (Μέθοδοι παρακολούθησης Brown & Trigger) | Μακροπρόθεσμες Προβλέψεις 
 
Διάλεξη 13η: Επαναληπτικό Μάθημα | Ανακεφαλαίωση Ύλης | Επίλυση αποριών

Βιβλιογραφία

Στους σπουδαστές που παρακολουθούν το μάθημα θα διανεμηθεί βιβλίο στο οποίο περιλαμβάνεται η διδακτέα ύλη. Επίσης, οι διαφάνειες των διαλέξεων θα αναρτηθούν στον διαδικτυακό ιστότοπο του μαθήματος.
Όσοι από τους σπουδαστές θελήσουν να ασχοληθούν και να μελετήσουν σε βάθος τις τεχνικές και τα μοντέλα πρόβλεψης θα έχουν στην διάθεσή τους ένα πλούσιο σύνολο βοηθημάτων αποτελούμενο από:

  • Γενική βιβλιογραφία και δημοσιεύσεις σε θέματα πρόβλεψης.
  • Ειδική βιβλιογραφία δημοσιεύσεις και διπλωματικές εργασίες σε εξειδικευμένα θέματα.


Προτεινόμενη βιβλιογραφία
Φ. Πετρόπουλος & Β. Ασημακόπουλος (2011), Επιχειρησιακές Προβλέψεις, Εκδόσεις Συμμετρία
S. Makridakis, S. Wheelwright & R. Hyndman (1998), Forecasting methods and applications
J. Hanke & A. Reitsch (2008), Business Forecasting
James D. Hamilton (1994), Time Series Analysis
Διαφάνειες μαθήματος «Τεχνικές Προβλέψεων»

Προτεινόμενες διευθύνσεις
http://www.forecasters.org/isf
http://www.insead.edu/facultyresearch/forecasting
http://forecasting.cwru.edu
http://www.sciencedirect.com
http://www.elsevier.com

Προτεινόμενες δημοσιεύσεις
Makridakis, S. (1990) “Sliding simulation: A new approach to time series forecasting” Management Science, Vol. 36, pp. 505–512
V. Assimakopoulos, K. Nikolopoulos (2000) “The Theta Model: A Decomposition Approach to Forecasting”, International Journal of Forecasting, Vol. 16 (4), pp. 521-530
Makridakis, S., & Hibon, M. (2000) “The M3-competition: Results, conclusions and implications”, International Journal of Forecasting, Vol. 16 (special issue), pp. 451–476
Rob J. Hyndman, Anne B. Koehler , Ralph D. Snyder , Simone Grose (2002) “A state space framework for automatic forecasting using exponential smoothing methods”, International Journal of Forecasting, Vol. 18, pp. 439–454
Everette S. Gardner Jr. (2006) “Exponential smoothing: The state of the art—Part II”, International Journal of Forecasting, Vol. 22, pp. 637–666
Jan G. De Gooijer, Rob J. Hyndman (2006) “25 years of time series forecasting”, International Journal of Forecasting, Vol. 22, pp. 443–473
J. S. Armstrong, F. Collopy (1992) “Error measures for generalizing about forecasting methods: Empirical comparisons”, International Journal of Forecasting, Vol. 8, pp. 69-80
Rob J. Hyndman, Anne B. Koehler (2006) “Another look at measures of forecast accuracy”, International Journal of Forecasting, Vol. 22, pp. 679–688
Syntetos, A. A., & Boylan, J. E. (2005) “The accuracy of intermittent demand estimates”, International Journal of Forecasting, Vol. 21, pp. 303–314
Syntetos, A.A., Boylan, J.E., Croston, J.D. (2005) “On the categorisation of demand patterns”, Journal of the Operational Research Society, Vol. 56, pp. 495-503
Ruud Teunter, Babangida Sani (2009) “On the bias of Croston’s forecasting method”, European Journal of Operational Research, Vol. 194, pp. 177–183
Paul Goodwin, Robert Fildes, Michael Lawrence, Konstantinos Nikolopoulos (2007) “The process of using a forecasting support system”, International Journal of Forecasting, Vol. 23, pp. 391–404

 

Εργασίες

Προαιρετική Άσκηση: Ατομική εργασία που έχει ως στόχο την κριτική επιλογή της καταλληλότερης μεθόδου πρόβλεψης για κάθε μία από 32 χρονοσειρές με διαφορετικά ποιοτικά χαρακτηριστικά. Εκτιμώμενος χρόνος για την περάτωση της άσκησης είναι 30'-60'. Η βαθμολογία στην υποχρεωτική άσκηση είναι 0.5 και δεν μπορεί να αντικατασταθεί με κάποιον άλλον τρόπο. 

Προαιρετική Άσκηση: Ατομική εξαμηνιαία εργασία με σκοπό την εφαρμογή web συστήματος για την παραγωγή επιχειρηματικών προβλέψεων. Τα παραδοτέα αφορούν την συμμετοχή στο σύστημα καθ’  όλη τη διάρκεια της εργασίας καθώς και μία ατομική αναφορά στο τέλος αυτής. Η μέγιστη βαθμολογία στην προαιρετική άσκηση είναι 2 μονάδες (αντί ενός θέματος αξίας 2 μονάδων στην τελική γραπτή εξέταση του μαθήματος).

 

Mέθοδοι αξιολόγησης

Η τελική εξέταση του μαθήματος είναι γραπτή και κατά την διάρκεια της επιτρέπεται η χρήση βιβλίων και σημειώσεων. Περιλαμβάνει ασκήσεις και θεωρητικές ερωτήσεις που συνδέονται με τις παραδόσεις του μαθήματος. Η εξεταστέα ύλη ταυτίζεται με την διδακτέα ύλη.

 

Διδάσκοντες

Διδάσκων: Βασίλειος Ασημακόπουλος , Καθηγητής ΕΜΠ
Τεχνικοί Υπεύθυνοι:
Νικολέττα Ζαμπέτα Λεγάκη (Υποψήφια Διδάκτωρ), Σπηλιώτης Ευάγγελος (Υποψήφιος Διδάκτωρ)
Εργαστήριο:
Κτήριο Ηλεκτρολόγων, 2.2.1., τηλ. 2107723637
Ώρες γραφείου:
Παρασκευή, 12:00–14:00
Διαλέξεις:
Παρασκευή, 15:15–18:00, αίθουσα  01 Νέο Κτίριο Ηλεκτρολόγων
Ιστοσελίδα:
http://www.fsu.gr
E-mail:
lesson@fsu.gr 



Συγχρηματοδότηση
από την Ε.Ε.