Upload
doanngoc
View
230
Download
0
Embed Size (px)
Citation preview
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Analiza i prognozowanieszeregów czasowych w R
Adam Zagdański
Instytut Matematyki i Informatyki, Politechnika Wrocławska
QuantUp (quantup.pl), Wrocław
Polski Akademicki Zlot Użytkowników R16-17 X 2014, Poznań
Analiza i prognozowanie szeregów czasowych w R 1/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Plan prezentacji
1 Wprowadzenie
2 Reprezentacja szeregów w R
3 Klasyczne modele i metody
4 Wybrane niestandardowe metody
5 Referencje
Analiza i prognozowanie szeregów czasowych w R 2/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Czym jest szereg czasowy?
Szereg czasowy to obserwacje interesującej nas wielkości,zarejestrowane w kolejnych odstępach czasu (np. dniach,miesiącach lub kwartałach).Możliwe obszary zastosowań
DemografiaSocjologiaEkonomiaMedycynaPrzemysł
Z szeregami czasowymi często spotykamy się także wtedy, gdyzachodzi konieczność podejmowania ważnych decyzjibiznesowych, np. dotyczących kupna/sprzedaży, produkcji,zatrudnienia czy logistyki
Analiza i prognozowanie szeregów czasowych w R 3/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Przykłady szeregów
liczba pasazerów
Time
2002 2008 2014
4500
070
000 stopa bezrobocia
Timebe
zrob
ocie
1990 2000 2010
010
20
cena benzyny
Time
cena
.ben
zyny
2006 2010
3.5
5.0
sty 02 2013 lip 01 2013
4.10
4.25
kurs EUR/PLN kwartalne PKB
PK
B
2000 2010
100
104
populacja Polski
popu
lacj
a
1995 20053810
0000
Rysunek : Przykłady szeregów
Analiza i prognozowanie szeregów czasowych w R 4/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Przykłady analiz
Prognozowanie cen akcji danej spółki w kolejnym rokuPrzewidywanie zmian cen paliw w kolejnych miesiącachAnaliza sytuacji na rynku pracy (np. przewidujemy wzrostkonkurencji w danej branży, który spowoduje istotną redukcjęzatrudnienia)Analiza zmian demograficznych, socjologicznych,klimatycznych i ich wpływu na koniunkturę w określonejgałęzi przemysłu
Analiza i prognozowanie szeregów czasowych w R 5/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Typowe cele analizy szeregów czasowych
Badanie występujących w danych: regularnych cykli, wzorców,trendówPrognozowanie wartości szeregów dla przyszłych okresów, napodstawie obserwacji historycznychZnalezienie modelu dobrze opisującego przebieg danegozjawiska w czasie
Analiza i prognozowanie szeregów czasowych w R 6/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Dlaczego warto analizować szeregi czasowe w R?
Podstawowe modele i metody dostępne w wersji bazowej R’a.Rosnąca liczba pakietów, w tym najnowsze warianty metod!Rosnąca liczba publikacji:
Introductory Time Series with R (Use R!) by Paul S.P.Cowpertwait and Andrew V. Metcalfe (Jun 9, 2009).Time Series Analysis: With Applications in R by Jonathan D.Cryer and Kung-Sik Chan (Oct 14, 2009)Forecasting: principles and practice, Rob J Hyndman, GeorgeAthanasopoulos, 2013Time Series Analysis and Its Applications: With R Examples byRobert H. Shumway and David S. Stoffer (Nov 25, 2010)Basic Data Analysis for Time Series with R by DeWayne R.Derryberry (Jul 8, 2014)Time Series: Applications to Finance with R and S-Plus byNgai Hang Chan (Oct 5, 2010)Multivariate Time Series Analysis: With R and FinancialApplications by Ruey S. Tsay (Dec 9,2013)
Analiza i prognozowanie szeregów czasowych w R 7/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Reprezentacja szeregów w R: klasa ts
Przykład: stopa bezrobocia w Polsce w latach 1990-2013,dane miesięczne.
> print(bezrobocie)
## Jan Feb Mar Apr May Jun Jul Aug Sep OctNov Dec
## 1990 0.3 0.8 1.5 1.9 2.4 3.1 3.8 4.5 5.0 5.5 5.9 6.5
## 1991 6.6 6.8 7.1 7.3 7.7 8.4 9.4 9.8 10.5 10.8 11.1 12.2
## 1992 12.1 12.4 12.1 12.2 12.3 12.6 13.1 13.4 13.6 13.5 13.5 14.3
> class(bezrobocie)
## [1] "ts"
> # konstruktor klasy ’ts’> # ts(data = NA, start = 1, end = numeric (), frequency = 1,
deltat = 1,... )
Analiza i prognozowanie szeregów czasowych w R 8/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Reprezentacja szeregów w R: klasa ts
> # data pierwszej i ostatniej obserwacji> start(bezrobocie)
## [1] 1990 1
> end(bezrobocie)
## [1] 2013 6
> # liczba obserwacji na jednostke czasu> frequency(bezrobocie)
## [1] 12
Analiza i prognozowanie szeregów czasowych w R 9/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Reprezentacja szeregów w R: pozostałe klasy
xts – extensible time series,mts – multiple time series,msts – multi-seasonal time series,its – irregularly spaced time series,. . .
Analiza i prognozowanie szeregów czasowych w R 10/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Klasyczne modele i metody analizy szeregów
Pakiet stats
wykresy i podstawowe narzędzia: window, plot.ts, monthplot,acf, pacf, ccf,. . .wygładzanie i dekompozycja: filter, decompose, stl,. . .modele i algorytmy: ar, arima, arima.sim, HoltWinters,. . .
Pakiet forecast
wykresy i podstawowe narzędzia: tsdisplay, seasonplot,BoxCox, nsdiffs, monthdays, bizdays, seasadj,. . .prognozowanie: meanf, snaive, rwf, tslm, ses, holt, hw,auto.arima, arfima, ets, splinef, forecast, nnetar, tbats,accuracy,. . .
Analiza i prognozowanie szeregów czasowych w R 11/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Klasyczne modele i metody: wykres szeregu
> plot(bezrobocie , main="stopa bezrobocia w Polsce")
stopa bezrobocia w Polsce
Time
bezr
oboc
ie
1990 1995 2000 2005 2010
05
1015
20
Rysunek : Wykres szereguAnaliza i prognozowanie szeregów czasowych w R 12/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Klasyczne modele i metody: wykres sezonowy
> seasonplot(bezrobocie , col=rainbow (23), year.labels=TRUE)
05
1015
20
Seasonal plot: bezrobocie
Month
●●
●●
●●
●●
●●
●●● ● ● ●
●●
●●
● ● ●
●● ● ● ● ● ●● ● ● ● ●
●● ● ● ● ●●
● ● ● ● ●
●● ● ● ● ●● ● ● ● ● ● ●● ●
● ●●
● ● ● ● ● ● ●● ● ● ●
●● ● ● ● ● ● ●● ●
●●
● ● ● ●● ● ● ●
● ● ●● ● ● ● ● ● ● ●
●
●● ● ● ● ● ● ● ● ● ●
●● ● ● ● ● ● ● ● ● ●
●●
● ● ● ● ● ● ● ● ● ●●
●
● ● ● ●● ● ● ● ● ● ● ●
● ● ● ●● ● ● ● ● ● ●
●● ● ●
●● ● ● ● ● ● ● ●
● ● ●●
● ● ● ● ● ● ● ●● ● ●
●●
● ● ● ● ● ● ●● ●●
●●
● ● ● ● ● ● ●● ●●
●●
● ● ● ● ● ●●
●● ● ● ● ● ● ● ● ● ●
●● ● ●
● ●● ● ● ● ● ●
●● ● ●
●●
● ● ● ● ● ●●
● ● ●● ● ● ● ● ● ●
●●
● ● ● ●● ●
1990
1991
1992
199319941995
1996
19971998
1999
2000
2001
2002200320042005
2006
2007
2008
2009201020112012
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Rysunek : Wykres sezonowyAnaliza i prognozowanie szeregów czasowych w R 13/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Klasyczne modele i metody: ACF (funkcja autokorelacji)
> acf(bezrobocie ,main="Stopa bezrobocia")
0.0 0.5 1.0 1.5 2.0
0.0
0.2
0.4
0.6
0.8
1.0
Lag
AC
F
Stopa bezrobocia
Rysunek : Funkcja autokorelacji (ACF)Analiza i prognozowanie szeregów czasowych w R 14/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Klasyczne modele i metody: Dekompozycja i wygładzanie
> bezrobocie.dekomp <- decompose(bezrobocie)> plot(bezrobocie.dekomp)
05
1020
obse
rved
510
1520
tren
d
−0.
40.
00.
4
seas
onal
−0.
50.
5
1990 1995 2000 2005 2010
rand
om
Time
Decomposition of additive time series
Rysunek : Dekompozycja klasycznaAnaliza i prognozowanie szeregów czasowych w R 15/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Prognozowanie: Narzędzia dostępne w pakiecie forecast
Pakiet forecast pozwala na automatyczne prognozowanie zwykorzystaniem dwóch najbardziej popularnych metod:
modele ARIMAmodele ETS (ExponenTialSmoothing lub ErrorTrendSeason)
Optymalne modele dla poszczególnych szeregów wybierane sącałkowicie automatycznie, z wykorzystaniem kryteriówstatystycznych oceniających dokładność dopasowania.Oprócz prognoz punktowych otrzymujemy także przedziałypredykcyjne (domyślnie, dla dwóch poziomów ufności: 80% i95%).Case study: Adam Zagdański, Jak zautomatyzowaćprognozowanie szeregów wykorzystując R?,http://quantup.pl/wp-content/uploads/2014/03/AutomatyzacjaKonstrukcjiPrognoz.pdf
Analiza i prognozowanie szeregów czasowych w R 16/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Prognozowanie: ARIMA
> library(forecast)> bezrobocie.arima <- auto.arima(bezrobocie.learn)> bezrobocie.arima.forecast <- forecast(bezrobocie.arima , h=
length(bezrobocie.test))
Forecasts from ARIMA(1,2,2)(2,0,1)[12]
bezr
oboc
ie
1990 1995 2000 2005 2010
05
1015
20
Rysunek : Prognozy na bazie modeli ARIMA
Analiza i prognozowanie szeregów czasowych w R 17/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Prognozowanie: ETS
> library(forecast)> bezrobocie.ets <- ets(bezrobocie.learn)> bezrobocie.ets.forecast <- forecast(bezrobocie.ets , h=
length(bezrobocie.test))
Forecasts from ETS(A,Ad,A)
bezr
oboc
ie
1990 1995 2000 2005 2010
05
1015
20
Rysunek : Prognozy na bazie modeli ETS
Analiza i prognozowanie szeregów czasowych w R 18/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Prognozowanie: ARIMA vs ETS
> accuracy(bezrobocie.arima.forecast , bezrobocie.test)[,2:6]
## RMSE MAE MPE MAPE MASE## Training set 0.2267 0.1416 0.07223 1.123 0.06979## Test set 0.6721 0.5569 4.14115 4.141 0.27447
> accuracy(bezrobocie.ets.forecast , bezrobocie.test)[,2:6]
## RMSE MAE MPE MAPE MASE## Training set 0.2450 0.1606 -0 .1228 1.949 0.07915## Test set 0.6769 0.5444 3.9909 4.002 0.26829
Analiza i prognozowanie szeregów czasowych w R 19/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Wybrane zaawansowane i niestandardowe metody
Modelowanie szeregów o złożonej sezonowościNarzędzia dla traderówAnaliza eksploracyjna szeregówPozostałe zagadnienia
Analiza i prognozowanie szeregów czasowych w R 20/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Modelowanie szeregów o złożonej sezonowości
Wiele szeregów cechuje występowanie niestandardowychzachowań sezonowych.Przykłady: szeregi o ułamkowym (niecałkowitym) okresie,szeregi o dużej częstotliwości i wielookresowej sezonowości.Większość standardowych metod opracowano z myślą oprostych wzorcach wahań sezonowych (np.: s=12, s=4).Istnieją również specjalistyczne modele i metody dedykowaneszeregom o skomplikowanych wzorcach sezonowości.Kilka najnowszych propozycji: De Livera, A.M., Hyndman,R.J., Snyder, R. D. (2011), Forecasting time series withcomplex seasonal patterns using exponential smoothing,JASA, 106(496), 1513-1527.Implementacja w R: algorytmy bats i tbats (pakiet forecast)
Analiza i prognozowanie szeregów czasowych w R 21/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Modelowanie szeregów o złożonej sezonowości
Rysunek : Zapotrzebowanie mocy KSE
Case study: Adam Zagdański, Prognozowaniezapotrzebowania mocy Krajowego Systemu Energetycznego(KSE). http://quantup.pl/wp-content/uploads/2014/03/CaseStudyZapotrzebowanieMocyKSE.pdf
Analiza i prognozowanie szeregów czasowych w R 22/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Modelowanie szeregów o złożonej sezonowości
Funkcja autokorelacji (ACF)
Rysunek : ACF dla szeregu KSE. Widoczna sezonowość dobowa (s=24)oraz tygodniowa (s=168).
Analiza i prognozowanie szeregów czasowych w R 23/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Modelowanie szeregów o złożonej sezonowości
> library(forecast)> # konwersja na obiekt msts (Multi -Seasonal Time Series)> moc.1h <- msts( moc.1h, seasonal.periods=c(24, 168), ts.
frequency =24 )>> # podzial danych na czesc uczaca i testowa> # ......................>> # dopasowanie modelu TBATS> moc.1h.tbats.fit <- tbats(moc.1h.train , seasonal.periods=c
(24 ,168))
> # parametry algorytmu TBATS (Trigonometric Exponentialsmoothing state space model with Box -Cox transformation ,ARMA errors , Trend and Seasonal components)
> #> # tbats(y, use.box.cox=NULL , use.trend=NULL ,> # use.damped.trend=NULL , seasonal.periods=NULL ,> # use.arma.errors=TRUE , use.parallel=TRUE ,> # num.cores=NULL , bc.lower=0, bc.upper =1 ,...)
Analiza i prognozowanie szeregów czasowych w R 24/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Modelowanie szeregów o złożonej sezonowości
Rysunek : Dekompozycja szeregu KSE
Analiza i prognozowanie szeregów czasowych w R 25/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Modelowanie szeregów o złożonej sezonowości
> # prognozy> moc.1h.tbats.forecast <-forecast(moc.1h.tbats.fit , h=n.test
)
Rysunek : Prognozy dla danych KSE
Analiza i prognozowanie szeregów czasowych w R 26/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Narzędzia dla traderów
Pakiet quantmod (Quantitative Financial ModellingFramework)
> library(quantmod)>> # pobranie notowan z ustalonego okresu> getSymbols( Symbols="FB", from="2014 -05 -01", src="yahoo")>> # wykres swiecowy> chartSeries(FB, type = "candlesticks", up.col=’green’,dn.
col=’red’)
Analiza i prognozowanie szeregów czasowych w R 27/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Narzędzia dla traderów (pakiet quantmod)
65
70
75
80
FB [2014−06−02/2014−10−14]
Last 73.59
Volume (millions):50,255,300
20406080
100120
cze 02 2014 cze 30 2014 lip 28 2014 sie 18 2014 wrz 15 2014 paz 13 2014
Rysunek : Notowania giełdowe
Analiza i prognozowanie szeregów czasowych w R 28/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Narzędzia dla traderów (pakiet quantmod)
> # wykres liniowy> chartSeries(FB, type="line")>> # Bollinger Bands> addBBands ()>> # MACD == Moving Average Convergence Divergence> addMACD ()>> # STS == Stochastic Oscillator / Stochastic Momentum Index> addSMI ()
Analiza i prognozowanie szeregów czasowych w R 29/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Narzędzia dla traderów (pakiet quantmod)
65
70
75
80
FB [2014−06−02/2014−10−14]
Last 73.59Bollinger Bands (20,2) [Upper/Lower]: 79.962/73.755
Moving Average Convergence Divergence (12,26,9):MACD: −0.608Signal: 0.263
−4
−2
0
2
4
Stochastic Momentum Index (13,2,25,9):SMI: 2.664Signal: 27.237
−60−40−20
0204060
cze 02 2014 cze 16 2014 cze 30 2014 lip 21 2014 sie 04 2014 sie 18 2014 wrz 02 2014 wrz 22 2014 paz 06 2014
Rysunek : Analiza techniczna
Analiza i prognozowanie szeregów czasowych w R 30/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Analiza eksploracyjna szeregów
Przykład: grupowanie kart kontrolnychMamy 6 różnych klas (typów) kart kontrolnych, związanych zróżnymi sytuacjami, jakie mogą wystąpić w pracy maszyn:
A - zachowanie normalne,B - zmiany cykliczne,C - rosnący trend,D - malejący trend,E - przesunięcie w górę,F - przesunięcie w dół.
Źródło: Alcock R.J. and Manolopoulos Y. Time-SeriesSimilarity Queries Employing a Feature-Based Approach. 7thHellenic Conference on Informatics. August 27-29.Ioannina,Greece 1999.
Analiza i prognozowanie szeregów czasowych w R 31/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Analiza eksploracyjna szeregów
klasa A
Time
0 10 20 30 40 50 60
2428
3236
klasa B
Time
116
0 10 20 30 40 50 60
1525
3545
klasa C
Time
0 10 20 30 40 50 60
3040
50
klasa D
Time
380
0 10 20 30 40 50 60
515
25
klasa E
0 10 20 30 40 50 60
2535
45
klasa F
522
0 10 20 30 40 50 60
510
2030
Rysunek : Przykładowe karty kontrolne
Analiza i prognozowanie szeregów czasowych w R 32/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Odległości na bazie DTW (Dynamic Time Warping)
> library(TSclust)> karty.odl.DTW <- proxy::dist(karty , method="DTW", by_rows=
TRUE)
16 31 44 48 67 73 75 86 87 91 101
104
116
117
137
138
144
173
187
196
221
233
238
245
246
251
262
266
269
295
301
313
319
335
336
357
367
380
382
385
405
406
425
431
443
457
476
479
491
494
508
521
522
531
541
548
569
571
582
597
59758257156954854153152252150849449147947645744343142540640538538238036735733633531931330129526926626225124624523823322119618717314413813711711610410191878675736748443116
macierz odleglosci DTW
0 0.2 0.6 1
Value
0
Color Keyand Histogram
Cou
nt
A (normalna)B (zmiany cykliczne)C (rosnacy trend)D (malejacy trend)E (przesuniecie w góre)F (przesuniecie w dól)
Rysunek : Odległości pomiędzy szeregami kart kontrolnychAnaliza i prognozowanie szeregów czasowych w R 33/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Klastrowanie hierarchiczne na bazie odległości DTW
> hc.DTW <- hclust( karty.odl.DTW , method=linkage.method)
C C C C C C C C C C E E E E E E E E E E D D D D D D D D D D F F F F F F F F F F A A A A A A A A A A B B B B B B B B B B
050
0010
000
1500
020
000
Klasteryzacja hierarchiczna −− odleglosc DTW
hclust (*, "ward.D")karty.odl.DTW
Hei
ght
Rysunek : DendrogramAnaliza i prognozowanie szeregów czasowych w R 34/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Pozostałe zagadnienia
Modele wektorowe szeregów czasowychDynamiczne modele regresyjne (transfer function models)Nieliniowe szeregi czasowePrognozowanie szeregów na bazie sieci neuronowychIdentyfikacja obserwacji odstających (ang. outliers)Wykrywanie punktów zmiany i segmentacja szeregówAnaliza finansowych szeregów czasowychTesty pierwiastków jednostkowych (unit roots) i testykointegracjiAnaliza w dziedzinie częstotliwości (analiza spektralna). . .CRAN Task View: Time Series Analysishttp://cran.r-project.org/web/views/TimeSeries.htmlMcLeod, Yu, Mahdi, Time Series Analysis with R, Handbookof Statistics, Volume 30, 2012, 661-712.
Analiza i prognozowanie szeregów czasowych w R 35/36
Wprowadzenie Reprezentacja szeregów w R Klasyczne modele i metody Wybrane niestandardowe metody Referencje
Referencje
[1] Rob J. Hyndman & Yeasmin Khandakar (2008),Automatic Time Series Forecasting: The forecast Package forR, Journal of Statistical Software, American StatisticalAssociation, vol.27(i03).[2] CRAN Task View: Time Series Analysis http://cran.r-project.org/web/views/TimeSeries.html[3] Adam Zagdański, Jak zautomatyzować prognozowanieszeregów wykorzystując R?http://quantup.pl/wp-content/uploads/2014/03/AutomatyzacjaKonstrukcjiPrognoz.pdf[4] Adam Zagdański, Case study: Prognozowaniezapotrzebowania mocy Krajowego Systemu Energetycznego(KSE). http://quantup.pl/wp-content/uploads/2014/03/CaseStudyZapotrzebowanieMocyKSE.pdf
Analiza i prognozowanie szeregów czasowych w R 36/36