<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://dk.um.si/IzpisGradiva.php?id=77070"><dc:title>Napovedovanje časovnih vrst z uporabo povratnih nevronskih mrež</dc:title><dc:creator>Uremović,	Niko	(Avtor)
	</dc:creator><dc:creator>Lukač,	Niko	(Mentor)
	</dc:creator><dc:creator>Bizjak,	Marko	(Komentor)
	</dc:creator><dc:subject>Multivariatne časovne vrste</dc:subject><dc:subject>napovedovanje časovnih vrst</dc:subject><dc:subject>povratne nevronske mreže</dc:subject><dc:subject>katastrofalno pozabljanje</dc:subject><dc:description>V diplomskem delu predstavimo napovedovanje multivariatnih časovnih vrst z uporabo povratnih nevronskih mrež, ter primernost pristopa k napovedovanju preizkusimo na področju energetike. Za pametno krmiljenje električnih naprav je namreč nujno potrebno poznavanje posledic, ki jih imajo naše akcije na stanje naprav in njihove okolice. Stanje naprav definira več spremenljivk, zato spreminjanje stanja skozi čas opisuje multivariatna časovna vrsta. Za električno napravo grelnik vode pripravimo napovedni model, ki temelji na povratni nevronski mreži arhitekture LSTM. Ker pa se lastnosti naprave in s tem opisujoče časovne vrste lahko s časom spreminjajo, moramo za ohranjanje natančnostosti napovednega modela le-tega sproti prilagajati. V diplomskem delu predstavimo različne strategije sprotnega učenja modela in primerjamo njihovo učinkovitost na napovednem modelu za grelnik vode.</dc:description><dc:publisher>[N. Uremović]</dc:publisher><dc:date>2020</dc:date><dc:date>2020-08-14 11:38:15</dc:date><dc:type>Diplomsko delo/naloga</dc:type><dc:identifier>77070</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>