Mostra i principali dati dell'item
Comparazione tra modelli predittivi per soddisfare la domanda di punti vendita che vendono gas liquido naturale
dc.contributor.advisor | Zero, Enrico <1990> | |
dc.contributor.author | Macrì, Cristina <2001> | |
dc.date.accessioned | 2024-07-25T14:29:04Z | |
dc.date.available | 2024-07-25T14:29:04Z | |
dc.date.issued | 2024-07-18 | |
dc.identifier.uri | https://unire.unige.it/handle/123456789/9054 | |
dc.description.abstract | Nella quarta rivoluzione industriale, avere previsioni accurate è cruciale nel contesto del GNL erogato. Questo lavoro di tesi si propone di comparare tre modelli predittivi: Support Vector Machine (SVM), Time-Delay Neural Network (TDNN) e l’intelligenza artificiale di ChatGPT. I dati di input utilizzati includono i valori del GNL erogato in diversi punti vendita, su diversi anni, considerando fattori come giorno festivo, giorno della settimana e condizioni meteo. Questi dati sono stati implementati su MATLAB per effettuare le previsioni. Successivamente, sono stati confrontati i valori effettivi e i valori previsti da ciascun modello per stabilire quale fosse il piu` preciso. I risultati sperimentali hanno dimostrato che, sebbene nessuno dei modelli testati sia perfetto, il confronto complessivo indica che SVM e TDNN forniscono una maggiore stabilità e precisione nelle previsioni del GNL erogato rispetto a ChatGPT. In particolare, il modello TDNN è raccomandato per previsioni precise e dinamiche, mentre il modello SVM può essere utilizzato per analisi di tendenze a lungo termine. Questa analisi fornisce preziose indicazioni per la scelta del modello predittivo più adatto in base alle esigenze specifiche del contesto applicativo. | it_IT |
dc.description.abstract | In the fourth industrial revolution, having accurate predictions is crucial in the context of LNG delivery. This thesis aims to compare three predictive models: Support Vector Machine (SVM), Time-Delay Neural Network (TDNN), and the artificial intelligence of ChatGPT. The input data used includes the values of LNG delivered at different points of sale over several years, considering factors such as holidays, days of the week, and weather conditions. These data were implemented in MATLAB to make predictions. Subsequently, the actual values and the predicted values from each model were compared to determine which one was the most accurate. The experimental results showed that, although none of the tested models is perfect, the overall comparison indicates that SVM and TDNN provide greater stability and precision in predicting LNG delivery compared to ChatGPT. In particular, the TDNN model is recommended for precise and dynamic forecasts, while the SVM model can be used for long-term trend analysis. This analysis provides valuable insights for choosing the most suitable predictive model based on the specific needs of the application context. | en_UK |
dc.language.iso | it | |
dc.rights | info:eu-repo/semantics/restrictedAccess | |
dc.title | Comparazione tra modelli predittivi per soddisfare la domanda di punti vendita che vendono gas liquido naturale | it_IT |
dc.title.alternative | Comparison of predictive models to meet the demand of retail outlets selling liquefied natural gas | en_UK |
dc.type | info:eu-repo/semantics/bachelorThesis | |
dc.subject.miur | ING-INF/04 - AUTOMATICA | |
dc.publisher.name | Università degli studi di Genova | |
dc.date.academicyear | 2023/2024 | |
dc.description.corsolaurea | 10716 - INGEGNERIA GESTIONALE | |
dc.description.area | 9 - INGEGNERIA | |
dc.description.department | 100025 - DIPARTIMENTO DI INGEGNERIA MECCANICA, ENERGETICA, GESTIONALE E DEI TRASPORTI |
Files in questo item
Questo item appare nelle seguenti collezioni
-
Laurea Triennale [1586]