mycourses .ntua.gr
Τεχνικές Προβλέψεων

Γενικά στοιχεία

 

Περιγραφή
Σκοπός

Σκοπός του μαθήματος είναι η κατανόηση των τεχνικών προβλέψεων και η πρακτική τους εφαρμογή σε δεδομένα επιχειρήσεων με χρήση σύγχρονων στατιστικών εργαλείων.   

Το μάθημα επικεντρώνεται στην αναλυτική περιγραφή των πιο σύγχρονων, στατιστικών και μη, μοντέλων και μεθόδων πρόβλεψης, με στόχο την απόκτηση γνώσης και εμπειρίας στη μεθοδολογία και εφαρμογή των τεχνικών προβλέψεων. Επίσης, επικεντρώνεται στη 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 τη γνώση αλλά και την πρακτική εφαρμογή της στις τεχνικές προβλέψεων.


Αντικείμενο

Το μάθημα αναφέρεται σε μαθηματικά μοντέλα και μεθόδους πρόβλεψης, τεχνικές ανάλυσης χρονοσειρών, προσεγγίσεις αξιολόγησης προβλέψεων, καθώς και σε διαφορετικά πεδία εφαρμογής αυτών. Επίσης αναφέρεται σε βασικές στατιστικές έννοιες, σε ποιοτικά χαρακτηριστικά των χρονοσειρών και σε μεθοδολογικά εργαλεία ανάλυσής τους.

Ιδιαίτερη έμφαση δίνεται στις εφαρμογές των μεθόδων, στη συγκριτική αξιολόγηση των εναλλακτικών τεχνικών για κάθε περίπτωση και στην αφομοίωση βασικών εργαλείων που είναι απαραίτητα στη διαδικασία της πρόβλεψης. Σημαντική είναι και η ενσωμάτωση της τεχνογνωσίας και των διαδικασιών πρόβλεψης σε προηγμένα πληροφοριακά σύστημα προβλέψεων, και πιο συγκεκριμένα της στατιστικής γλώσσας προγραμματισμού ανοιχτού κώδικα R.

 
Στόχοι του μαθήματος
Οι σπουδαστές θα μπορούν, μετά το τέλος των διαλέξεων και την διεξαγωγή των ασκήσεων, να:
  • γνωρίζουν το ρόλο της πρόβλεψης για τον προγραμματισμό και τη λήψη αποφάσεων στις επιχειρήσεις
  • διακρίνουν τα ποιοτικά χαρακτηριστικά των χρονοσειρών
  • αναλύουν και προσαρμόζουν τα δεδομένα των χρονοσειρών
  • γνωρίζουν τις κύριες μεθόδους και τεχνικές πρόβλεψης
  • έχουν ολοκληρωμένη γνώση στη μεθοδολογία και εφαρμογή των τεχνικών πρόβλεψης
  • χρησιμοποιούν πληροφοριακά συστήματα, όπως το R studio, για την υλοποίηση των διαδικασιών πρόβλεψης

Ύλη
Ο τρόπος διδασκαλίας του μαθήματος γίνεται με τρόπο συνδυασμού θεωρίας και παραδειγμάτων. Παρακάτω παρουσιάζεται η αναλυτική περιγραφή του αντικειμένου του μαθήματος και η ενδεικτική κατανομή αυτού σε δώδεκα (12) διδακτικές εβδομάδες.
 
Διάλεξη 1η: Ενημερωτικό μαθήματος (σκοπός, διάρθρωση, ασκήσεις και βαθμολογία) | Εισαγωγικά στοιχεία (κατηγορίες μεθόδων πρόβλεψης, ποιοτικά χαρακτηριστικά χρονοσειρών, διαδικασία πρόβλεψης και πεδία εφαρμογών) | Προετοιμασία και ανάλυση χρονοσειράς (απεικόνιση χρονοσειρών, προσαρμογή δεδομένων και στατιστική ανάλυση) | Δείκτες σφάλματος
 
Διάλεξη 2η: Κινητοί μέσοι όροι | Αποσύνθεση χρονοσειράς | Έλεγχος σημαντικής εποχιακής συμπεριφοράς | Εισαγωγή στην R
 
Διάλεξη 3η: Ειδικά γεγονότα και ενέργειες (μέθοδοι εντοπισμού, υπολογισμού αντίκτυπου και εξομάλυνσης δεδομένων) | Κατηγορίες προβλέψεων (στατιστική, κριτική και στόχου) | Ορίζοντας πρόβλεψης | Διαστήματα εμπιστοσύνης | Διαδικασία πρόβλεψης στις επιχειρήσεις 
 
Διάλεξη 4η: Μέθοδος εκθετικής εξομάλυνσης (μοντέλα σταθερού επιπέδου, γραμμικής τάσης, μη γραμμικής τάσης, και εποχιακής εξομάλυνσης) | Επιλογή μοντέλου εκθετικής εξομάλυνσης 
 
Διάλεξη 5η: Μοντέλα παλινδρόμησης (απλή και πολλαπλή γραμμική παλινδρόμηση) | Εφαρμογές πρόβλεψης σε R
 
Διάλεξη 6η: Δεδομένα διακοπτόμενης ζήτησης | Μέθοδοι πρόβλεψης διακοπτόμενης ζήτησης (μέθοδοι Croston, SBA και ADIDA)
 
Διάλεξη 7η: Μέθοδος πρόβλεψης Theta  | Διαγωνισμοί προβλέψεων 
 
Διάλεξη 8η: Εισαγωγή στα μοντέλα πρόβλεψης χρονοσειρών ARIMA 
 
Διάλεξη 9η: Επιλογή μεθόδου πρόβλεψης | Συνδυασμός μεθόδων πρόβλεψης | Παρακολούθηση προβλέψεων (μέθοδοι Brown & Trigger)
 
Διάλεξη 10η:  Κριτική πρόβλεψη | Μακροπρόθεσμη πρόβλεψη | Σενάρια
 
Διάλεξη 11η:  Προβλέψεις μέσω αλγορίθμων μηχανικής μάθησης (Νευρωνικά δίκτυα και δέντρα αποφάσεων)
 
Διάλεξη 12η: Επαναληπτικό μάθημα | Ανακεφαλαίωση ύλης | Επίλυση αποριών
 
Βιβλιογραφία

Στους σπουδαστές που παρακολουθούν το μάθημα θα διανεμηθεί βιβλίο στο οποίο περιλαμβάνεται η διδακτέα ύλη, ενώ οι διαφάνειες των διαλέξεων θα αναρτηθούν στον διαδικτυακό ιστότοπο του μαθήματος. Επίσης, θα υπάρχει διαθέσιμο εκπαιδευτικό υλικό για την παραγωγή προβλέψεων μέσω της γλώσσας προγραμματισμού R.

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 πρόβλεψης.

 

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
https://forecasters.org/

https://otexts.com/fpp2/ 

Προτεινόμενες δημοσιεύσεις

De Gooijer, J. G.  & Hyndman, R. J. (2006). 25 years of time series forecasting. International Journal of Forecasting, 22(3), 443–473

Armstrong, J. S. & Collopy, F. (1992). Error measures for generalizing about forecasting methods: Empirical comparisons. International Journal of Forecasting, 8(1), 69-80

Hyndman, R. J. & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688

Gardner, E. S. (2006). Exponential smoothing: The state of the art—Part II. International Journal of Forecasting, 22(4), 637–666

Hyndman, R. J., Koehler, A. B., Snyder, R. D. & Grose, S. (2002). A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, 18(3), 439–454

Assimakopoulos, V. & Nikolopoulos, K. (2000). The Theta Model: A Decomposition Approach to Forecasting. International Journal of Forecasting, 16(4), 521-530

Makridakis, S. & Hibon, M. (2000). The M3-competition: Results, conclusions and implications. International Journal of Forecasting, 16(4), 451–476

Makridakis, S., Spiliotis, E. & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54-74 

Syntetos, A. A., & Boylan, J. E. (2005). The accuracy of intermittent demand estimates. International Journal of Forecasting, 21(2), 303–314

Syntetos, A.A., Boylan, J. E., Croston, J. D. (2005). On the categorisation of demand patterns. Journal of the Operational Research Society, 56(5), 495-503

Teunter, R. & Sani, B. (2009). On the bias of Croston’s forecasting method. European Journal of Operational Research, 194(1), 177–183

Goodwin, P., Fildes, R., Lawrence, M. & Nikolopoulos, K. (2007). The process of using a forecasting support system. International Journal of Forecasting, 23(3), 391–404

Makridakis, S., Spiliotis, E. & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLOS ONE 13(3), e0194889

Εργασίες

Προαιρετική Άσκηση: Ατομική εξαμηνιαία άσκηση η οποία περιλαμβάνει την παραγωγή επιχειρηματικών προβλέψεων σε εβδομαδιαία βάση μέσω κατάλληλα διαμορφωμένου web συστήματος. Τα παραδοτέα αφορούν τη συμμετοχή στο σύστημα καθ’  όλη τη διάρκεια διεξαγωγής της άσκησης καθώς και μία ατομική αναφορά στο τέλος αυτής. Η μέγιστη βαθμολογία της άσκησης είναι μία (1) μονάδα (αντικαθιστά θέμα αντίστοιχης αξίας στην τελική γραπτή εξέταση του μαθήματος).

Προαιρετικές-Bonus Ασκήσεις: Ατομικές ασκήσεις σε web περιβάλλον οι οποίες έχουν ως στόχο την κριτική επιλογή της καταλληλότερης μεθόδου πρόβλεψης για ένα σύνολο χρονοσειρών διαφορετικών ποιοτικών χαρακτηριστικών. Εκτιμώμενος χρόνος για την περάτωση κάθε άσκησης από 20 έως 60 λεπτά. Ο τρόπος βαθμολόγησης των εν λόγω ασκήσεων ανακοινώνεται από το διδάσκοντα. 

Mέθοδοι αξιολόγησης

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

Ο τελικός βαθμός του μαθήματος προκύπτει βάσει της βαθμολογίας της γραπτής εξέτασης και των βαθμολογιών των προαιρετικών εργασιών, όπως αυτό έχει καθοριστεί από το διδάσκοντα στην αρχή του εξαμήνου.

Διδάσκοντες

Διδάσκων: Βασίλειος Ασημακόπουλος , Καθηγητής ΕΜΠ
Τεχνικοί Υπεύθυνοι:
Ευάγγελος Σπηλιώτης (Διδάκτωρ) 
Εργαστήριο:
Παλαιό Κτίριο Ηλεκτρολόγων, 2.2.1., τηλ. 2107723637
Ώρες γραφείου:
Παρασκευή, 12:00–14:00
Διαλέξεις:
Παρασκευή, 15:15–19:00, αίθουσα 012 Νέο Κτίριο Ηλεκτρολόγων
Ιστοσελίδα:
http://www.fsu.gr
E-mail:
spiliotis@fsu.gr