Prediction of economic value added of Iranian listed companies тема научной статьи по экономике и бизнесу читайте бесплатно текст научно-исследовательской работы в электронной библиотеке КиберЛенинка

В качестве алгоритма предварительной обработки и сглаживания временных рядов https://cryptominer.services/ выбран метод анализа сингулярного спектра . Метод применен впервые для многомерного массива данных об электропотреблении, в результате чего построены ранговые параметрические поверхности, одна из которых является исходной, а вторая – итоговой. Тензор итоговой параметрической поверхности является базой предложенных математических моделей краткосрочного прогнозирования. Результаты краткосрочного прогнозирования электропотребления были подвержены дилатации с целью установления адекватности моделей действительным значениям. Полученные отклонения прогнозных значений от действительных свидетельствуют о значительном повышении качества краткосрочного прогноза по сравнению с регрессионными моделями и искусственной нейронной сетью. В рамках программы повышения квалификации государственных и муниципальных служащих Республики Татарстан – «Кадровая работа в органах власти» начальник ОПУиОИ №2 ОПФР по РТ – Зиннатов Ильназ Насибуллович провел семинар.

Модернизация и развитие энергетической отрасли, согласно международным энергетическим концепциям, обуславливает необходимость разработки новых https://bitcoin-mining.biz/ моделей. При этом для суточных графиков нагрузки горнодобывающей отрасли характерны детерминированные хаотические колебания кривой электропотребления, обусловленные технологией производственного процесса. Основными критериями являются точность прогнозных значений и обучаемость такой модели по фактическим данным об электропотреблении. Качественный краткосрочный прогноз электропотребления позволяет существенно повысить энергоэффективность работы предприятия в режиме реального времени с возможностью предиктивного управления производственным процессом. В работе предложены две математические модели прогнозирования, одна из которых основана на рекуррентном методе, а вторая – на векторном. При этом структура моделей позволяет учесть локальные особенности рабочего цикла производственного процесса, а также выявить и сгладить “шумовые” составляющие ранговой параметрической поверхности этого производственного процесса.