JM

====== Aproksymacja w zadaniu prognozowania zapotrzebowania energii ====== - 7.1 ** Dane archiwalne ** * Plik danych - {{dydaktyka:aniss:dane7.m}}. * Przegląd dostępnych danych - wykresy czasowe każdej danej {{dydaktyka:aniss:cw7_1.m}}. - 7.2 ** Wybór zmiennych objaśniających ** * Czas - w skali dnia, tygodnia, roku. * Temperatura, wilgotność, ciśnienie, wiatr, zachmurzenie. * Korelacja temperatury i czasu (w której skali czasu?). - 7.3 ** Wygładzanie danych ("ręczne") ** * Usuwanie danych oddalonych (outliers), {{dydaktyka:aniss:cw7_3.m}} * Porównanie z regresją odporną (robust regression) w zadaniu 7.6 - 7.4 ** Próby aproksymacji funkcją jednej zmiennej ** * Podział danych ze względu na porę roku. * Sprawdzenie typu rozkładu zakłóceń. * Aproksymacja zapotrzebowania w zimowy dzień powszedni {{dydaktyka:aniss:cw7_4.m}}. * Warunki okresowości funkcji aproksymującej. * Aproksymacja zapotrzebowania w letni weekend. * Powiązanie aproksymacji w dniu roboczym i "wolnym". * Problem liniowy vs. problem kwadratowy vs. problem nieliniowy * Procedury MATLABa: lsqlin, quadprog. - 7.5 ** Aproksymacja funkcją dwóch zmiennych ** * Wybór zmiennych objaśniających * Przykłady {{dydaktyka:aniss:cw7_5.m}} dla dnia letniego i zimowego. * Próba aproksymacji zapotrzebowania w dowolnym w roku dniu roboczym. - 7.6 ** Aproksymacja nieparametryczna w MATLABie** * Help: Curve Fitting Toolbox / Smoothing / Filtering and Smoothing Data / * Local Regression Smoothing: loess, rloess, loewes, rlowess. * Robust Local Regression * Przykład {{dydaktyka:aniss:cw7_6.m}}.