Analisi di serie temporali riguardanti dati energetici mediante architetture neurali profonde

Di Ielsi, Luca (2016) Analisi di serie temporali riguardanti dati energetici mediante architetture neurali profonde. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria informatica [LM-DM270]
Documenti full-text disponibili:
[img]
Anteprima
Documento PDF
Disponibile con Licenza: Creative Commons: Attribuzione - Non commerciale - Non opere derivate 3.0 (CC BY-NC-ND 3.0)

Download (2MB) | Anteprima

Abstract

Il presente lavoro di tesi riguarda lo studio e l'impiego di architetture neurali profonde (nello specifico stacked denoising auto-encoder) per la definizione di un modello previsionale di serie temporali. Il modello implementato è stato applicato a dati industriali riguardanti un impianto fotovoltaico reale, per effettuare una predizione della produzione di energia elettrica sulla base della serie temporale che lo caratterizza. I risultati ottenuti hanno evidenziato come la struttura neurale profonda contribuisca a migliorare le prestazioni di previsione di strumenti statistici classici come la regressione lineare multipla.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Di Ielsi, Luca
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
DeepLearning NeuralNetwork StackedDenoisingAuto-encoder ArtificialIntelligence IntelligenzaArtificiale RetiNeurali TimeSeries SerieStoriche SerieTemporali Forecasting Previsione Auto-encoder
Data di discussione della Tesi
16 Marzo 2016
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^