📄Работа №128692

Тема: Реализация пакета аналитических функций в PostgreSQL. Алгоритмы прогнозирования

📝
Тип работы Дипломные работы, ВКР
📚
Предмет информационные системы
📄
Объем: 24 листов
📅
Год: 2018
👁️
Просмотров: 183
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
ℹ️ Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.

📋 Содержание

1. Введение 4
2. Задачи 4
3. Обзор существующих решений 5
4. Реализация алгоритмов прогнозирования 6
4.1 Модели экспоненциального сглаживания 6
4.2 Линейная регрессия 13
4.3 Авторегрессионная модель прогнозирования 15
4.5 Метрики 21
4.6 Прочие функции 22
5. Заключение 23
6. Список литературы 24

📖 Введение

В современном мире получаемый нами объем информации слишком велик. Любая деятельность человека предусматривает, как минимум, ее содержание и анализ, ведь информация в чистом виде, поступающая непрерывным потоком трудна для восприятия. Поэтому существует множество способов хранения и обработки данных. Наиболее популярный из них - базы данных.
Сравнивая разные системы управления базами данных, в каждой можно найти свои плюсы и минусы. PostgreSQL [1, 4] стоит наряду со многими крупными СУБД, но по сравнению с другими она бесплатно распространяется. Однако, там не хватает пакетов аналитических функций для полноценного статистического анализа. Нужно сказать, что на сегодняшний день существуют различные способы обхода и решения этой проблемы, но в большинстве случаев это происходит за счёт сторонних программ и приложений, что имеет ряд своих минусов (таких, как возникновение конфликтных ситуаций, неудобство использования, и т.д.). Другие же методы не разрешают или разрешают не в полной мере эти вопросы. Поэтому было решено взяться за реализацию некоторых алгоритмов в этой системе управления базами данных.
2. Задачи
Целью данной работы является создание пакета аналитических методов, включающего в себя наиболее популярные алгоритмы прогнозирования, а также способы оценки ее качества.
Для достижения этой цели были сформулированы следующие задачи:
• Выполнить обзор существующих методов решения данной проблемы;
• Реализация алгоритмов прогнозирования средствами PostgreSQL, их объединение в пакет;
• Тестирование реализованных алгоритмов, проверка их качества с помощью метрик;
• Написание спецификации к пакету функций;
• Написание инструкции по установке и использованию пакета функций в PostgreSQL.

Возникли сложности?

Нужна качественная помощь преподавателя?

👨‍🎓 Помощь в написании

✅ Заключение

В рамках данной работы был произведен обзор наиболее популярных и полезных алгоритмов прогнозирования, а также метрик оценки их качества. Позднее на языке PL/pgSQL был разработан пакет аналитических функций, разворачиваемый в СУБД PostgreSQL и, включающий в себя наравне с другими функции, реализующие такие алгоритмы как: экспоненциальное сглаживание, линейная регрессия, авторегрессия, ARIMA, а также алгоритмы оценки качества прогнозирования. Результат разработки был опубликован на портале GitHub и доступен по ссылке https://github.com/Twicelab/anfun. К коду приложены файлы спецификации и инструкции по установке. Метод разработки продукта позволяет масштабировать его и добавлять функциональность в будущем, расширяя возможности и оптимизируя его работу.
Нужна своя уникальная работа?
Срочная разработка под ваши требования
Рассчитать стоимость
ИЛИ

📕 Список литературы

[1] PostgreSQL documentation - URL: https://www.postgresql.org/docs/
[2] Apache MADlib documentation - URL:
http ://madlib. apache. org/documentation.html
[3] PL/R documentation - URL: http://www.joeconway.com/doc/doc.html
[4] Нейл Мэттью, Ричард Стоунз - “PostgreSQL. Основы”, 2002
[5] Чучуева Ирина Александровна - “Модель Прогнозирования Временных Рядов по Выборке Максимального Подобия”, 2012, МГТУ им. Баумана
[6] Prajakta S. Kalekar - “Time series Forecasting using Holt-Winters Exponential Smoothing”, 2004, Kanwal Rekhi School of Information Technology
[7] Chen C. F., Chang Y. H., Chang Y. W. Seasonal ARIMA forecasting of inbound air travel arrivals to Taiwan //Transportmetrica. - 2009. - Т. 5. - №. 2. - С. 125-140.
[8] Hurvich C. M., Tsai C. L. Regression and time series model selection in small samples //Biometrika. - 1989. - Т. 76. - №. 2. - С. 297-307.
[9] Cortez P., Rocha M., Neves J. Evolving time series forecasting ARMA models //Journal of Heuristics. - 2004. - Т. 10. - №. 4. - С. 415-429.
[10] Zhang G. P. Time series forecasting using a hybrid ARIMA and neural network model //Neurocomputing. - 2003. - Т. 50. - С. 159-175.

🖼 Скриншоты

🛒 Оформить заказ

Работу высылаем в течении 5 минут после оплаты.

©2026 Cервис помощи студентам в выполнении работ