BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Siuda Krzysztof (Wroclaw University of Economics and Business, Poland)
Title
A neural network approach for predicting production volume of biofuels in Poland
Zastosowanie sieci neuronowych do prognozowania wielkości produkcji biopaliw w Polsce
Source
Ekonomia XXI Wieku, 2021, nr 24, s. 7-26, rys., tab., bibliogr. 26 poz.
Economics of the 21st Century
Keyword
Sieci neuronowe, Sztuczne sieci neuronowe (SSN), Biopaliwa, Produkcja
Neural networks, Artificial neural networks (ANN), Biofuels, Production
Note
JEL Classification: C45, C53
streszcz., summ.
I would like to thank my supervisor (Krzysztof Lutosławski) for his valuable guidance in creating artificial neural networks in MATLAB.
Abstract
W artykule skupiono się na tworzeniu sztucznych sieci neuronowych i ich wykorzystaniu do prognozowania wielkości produkcji biopaliw w Polsce na podstawie danych historycznych. Sztuczne sieci neuronowe są niezwykle przydatne w prognozowaniu zdarzeń, w których trudno doszukać się determinizmu i związków przyczynowo-skutkowych. W tym celu stworzono 30 sztucznych sieci neuronowych o różnej topologii. Analizowane sztuczne sieci neuronowe miały: jedną lub dwie warstwy, od 4 do 8 neuronów w warstwie pierwszej oraz 4 lub 6 neuronów w warstwie drugiej. Ponadto przeanalizowano wpływ opóźnionych wejść oraz wpływ wielkości zbioru uczącego na jakość predykcji. Jakość każdej ze struktur oceniono na podstawie współczynnika determinacji, błędu średniego oraz błędu średniokwadratowego. Stabilność prognozowania była oceniana na podstawie odchylenia standardowego próby RMSE oraz MAE. Wszystkie przedstawione struktury ANN były symulowane pięciokrotnie, a najlepsze pojedyncze wyniki zamieszczono w tabelach. Najlepsze wyniki uzyskano dla sztucznej sieci neuronowej z dwiema warstwami, czterema neuronami w każdej warstwie i jednym opóźnieniem. Druga warstwa zwiększyła stabilność predykcji. (abstrakt oryginalny)

This article focuses on the creation of artificial neural networks (ANN) and their use in predicting the volume of biofuel production in Poland on the basis of historical data. Artificial neural networks are extremely useful in predicting events in which it is difficult to find determinism and cause-effect relationships. For this purpose 30 artificial neural networks of different topology were created. The analysed artificial neural networks had: one or two layers, from 4 to 8 neurons on the first layer and 4 or 6 neurons on the second layer. Moreover, the effect of delayed inputs and the effect of learning set size on prediction quality were analysed. The quality of each structure was evaluated based on the coefficient of determination, mean error, and mean square error. The stability of prediction was evaluated based on the sample standard deviation of RMSE and MAE. All the presented ANN structures were simulated five times and the best individual results included in the tables. The best results were obtained for an artificial neural network with two layers, four neurons in each layer and one delay. Overall, the second layer increased the stability of the prediction.(original abstract)
Accessibility
The Main Library of the Cracow University of Economics
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
Full text
Show
Bibliography
Show
  1. Adamski, M., Pronobis, Ł., and Dworecki, Z. (2013). Zastosowanie sztucznych sieci neuronowych do predykcji produkcji biogazu w warunkach laboratoryjnych. Technika Rolnicza Ogrodnicza Leśna, (2), 26-28.
  2. Almonti, D., Baiocco, G., Tagliaferri, V. et al. (2019). Artificial neural network in fibres length prediction for high precision control of cellulose refining. Materials, 12, (22), p. 3730.
  3. Assidjo, E., Yao, B., Kisselmina, K. et al. (2008). Modeling of an industrial drying process by artificial neural networks. Brazilian Journal of Chemical Engineering, 25(3), 515-522.
  4. Boniecki, P., and Mueller, W. (2006). Expectation crops of chosen agricultural fetus-es with the help of neural model by time series. Journal of Research and Applications in Agricultural Engineering, 51(4), 40-44.
  5. Castañeda-Miranda, A., and Castaño, V. M. (2017). Smart frost control in green-houses by neural networks models. Computers and Electronics in Agriculture, 137, 102-114.
  6. Cirak, B., and Demirtas, S. (2014). An application of artificial neural network for predicting engine torque in a biodiesel engine. American Journal of Energy Research, 2(4), pp. 74-80.
  7. Ciskowski, P. (2012). Poznawanie własności sieci neuronowych w środowisku MATLAB. Wrocław: Politechnika Wrocławska.
  8. Elahi, E., Weijun, C., Zhang, H. et al. (2019). Use of artificial neural networks to rescue agrochemical-based health hazards: A resource optimisation method for cleaner crop production. Journal of Cleaner Production, 238, p. 117900.
  9. Francik, S. (2009). Metoda prognozowania szeregów czasowych przy użyciu sztucznych sieci neuronowych. Inżynieria Rolnicza, 115(6).
  10. Francik, S., and Kurpaska, S. (2020). The use of artificial neural networks for forecasting air temperature inside a heated foil tunnel. Sensors, 20(3), p. 652.
  11. Górski, M., Kaleta, J., and Langman, J. (2008). Zastosowanie sztucznych sieci neuronowych do oceny stopnia dojrzałości jabłek. Inżynieria Rolnicza, 105(7).
  12. Hebda, T., and Francik, S. (2006). Model twardości ziarniaków pszenicy wykorzystujący sztuczne sieci neuronowe. Inżynieria Rolnicza, (13).
  13. Koszela, K. (2012). Klasyfikacja suszu pietruszki z wykorzystaniem sztucznych sieci neuronowych. Journal of Research and Applications in Agricultural Engineering, 57(1), 87-90.
  14. Koszela, K., and Zaborowicz, M. (2014). Modele neuronowe wspomagające prognozowanie cen pszenicy konsumpcyjnej na zdecentralizowanym rynku towarowym. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, 935(11), 113-122.
  15. Lertworasirikul, S., and Tipsuwan, Y. (2008). Moisture content and water activity prediction of semi-finished cassava crackers from drying process with artificial neural network. Journal of Food Engineering, 84(1), 65-74.
  16. Lula, P., Paliwoda-Pękosz, G., and Tadeusiewicz, R. (2007). Metody sztucznej inteligencji i ich zastosowania w ekonomii i zarządzaniu. Kraków: Wydawnictwo Akademii Ekonomicznej.
  17. Łuczycka, D., and Pentoś, K. (2010). Zastosowanie sztucznych sieci neuronowych do opisu przenikalności elektrycznej mąki. Inżynieria Rolnicza, 120(2), 43-48.
  18. Neugebauer, M., Nalepa, K., and Sołowiej, P. (2007). Sieci neuronowe jako narzędzie umożliwiające prognozowanie zapotrzebowania na wodę w uprawach rolnych. Inżynieria Rolnicza, 90(2).
  19. Piwowar, A. (2015). Produkcja biokomponentów i biopaliw ciekłych w Polsce - tendencje rozwoju i regionalne zróżnicowanie. Roczniki Naukowe Stowarzyszenia Ekonomistów Rolnictwa i Agrobiznesu, 17(2).
  20. Singh, N. J., and Pandey, R. K. (2011). Neural network approaches for the prediction of drying kinetics during drying of sweet potato. Agricultural Engineering International: CIGR Journal, 13(1).
  21. Tadeusiewicz, R. (2009). O celowości zastosowania sieci neuronowych w problemach związanych z elektrotechniką. Electrical Review, 85(2), 200-211.
  22. Tadeusiewicz, R., and Szaleniec, M. (2015). Leksykon sieci neuronowych (Projekt Nauka. Fundacja na rzecz Promocji Nauki Polskiej).
  23. Tadeusiewicz, R., Leper, B., and Borowik, B. et al. (2007). Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#. Wydawnictwa PAU.
  24. Tamouridou, A. A., Alexandridis, T. K., Pantazi, X. E. et al. (2017). Application of multilayer perceptron with automatic relevance determination on weed mapping using UAV multispectral imagery. Sensors, 17(10), p. 2307.
  25. Urząd Regulacji Energetyki. (n.d.). Dane dotyczące rynku biopaliw ciekłych. Retrieved from https://old.ure.gov.pl/old/rynki-energii/paliwa-ciekle/biokomponenty-i-biopal/dane-dotyczace-rynku-b-1
  26. Wyrozumski, T. (2004). Sieci neuronowe a energetyka - prawdy i mity o prognozowaniu (X Konferencja PLOUG, pp. 179-190).
Cited by
Show
ISSN
2353-8929
Language
eng
URI / DOI
http://dx.doi.org/10.15611/e21.2021.01
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu