UVOD
Predmet istraživanja ovog seminarskog rada odnosi se na simulaciju
kao jednu od tehnika za rješavanje velike skupine modela. Osnovni cilj je
objasniti postupak i svrhu izvođenja simulacije. Ostvarenje ovog osnovnog
cilja ide kroz nekoliko specifičnih ciljeva koje su postavljene u ovom
seminarskom radu, a to su: definisanje problema, razvoj modela, izrada
dijagrama toka modela, programiranje modela, prikupljanje podataka,
vrednovanje modela, provjera modela i sprovedba rezultata.
Simulacija je tehnika koja se može koristiti za formuliranje i rješavanje
velike skupine modela. Koristi za dinamičke modele, koji uključuju višestruka
vremenska razdoblja. Dinamički se simulacijski modeli povećavaju od jednog
vremenskog razdoblja ili jednog događaja do sljedećeg, kako se situacija
razvija tijekom vremena. Na taj se način može procijeniti efekt uzastopnih
odluka.
Simulaciju bi trebalo koristiti u okolnostima kod kojih je preskupo, ili preteško
eksperimentirati u realnoj situaciji. U tim se slučajevima, efekti odluka mogu
testirati na simulacijskom modelu, prije nego se odluka provede. Veliki je broj
situacija simuliran na taj način, uključujući tok pacijenata u klinikama,
djelovanje fizičkih mreža distribucije, organizacija nastavnih planova na
fakultetima, fabričku proizvodnju, …
Simulacija prognoziranja je vrlo važan alat u mnogim oblastima jer
omogućava da se na temelju postojećih podataka i matematičkih modela
predviđaju budući događaji ili stanja. Ovaj proces nije samo puka predikcija,
već se temelji na rigoroznim metodama analize i koristi se za optimizaciju
odluka, smanjenje rizika, i unapređenje strategijskog planiranja. Evo
detaljnijeg objašnjenja o tome kako funkcioniše simulacija prognoziranja, šta
sve uključuje, i u kojim područjima se primenjuje:
1. Prikupljanje podataka
Bez podataka nema simulacije. Da bi prognoza bila što tačnija, potrebno je
prikupiti relevantne i kvalitetne podatke. To mogu biti:
•
Vremenski podaci: u slučaju vremenskih prognoza (temperatura,
pritisak, vlažnost, brzina vetra, itd.).
1
Ekonomski podaci: kao što su bruto domaći proizvod (BDP),
nezaposlenost, inflacija, kamatne stope.
Finansijski podaci: kao što su cene akcija, kamatne stope, devizni
kursevi, itd.
Zdravstveni podaci: stopa smrtnosti, incidenca bolesti, broj
hospitalizacija, vakcinacija.
Ovi podaci obično dolaze iz različitih izvora, uključujući državne institucije,
istraživačke organizacije, privredne subjekte ili čak putem senzora (u slučaju
IoT uređaja).
2. Izbor modela za simulaciju
U zavisnosti od tipa podataka i specifične svrhe prognoze, odabire se
odgovarajući matematički ili statistički model. Glavne vrste modela koje se
koriste u simulaciji prognoza uključuju:
a. Statistički modeli:
Regresija: Linearna i nelinearna regresija koriste se za predviđanje jednog ili
više izlaznih parametara na temelju poznatih ulaza. Na primer, može se
koristiti za predviđanje potrošnje energije na temelju temperature.
Vremenske serije: Ovi modeli, kao što su ARIMA (AutoRegressive Integrated
Moving Average), koriste se kada imamo podatke u vremenskim intervalima,
kao što su mesečni izveštaji o inflaciji ili dnevne cene nafte.
Multivarijantna regresija: Ako postoji više faktora koji utiču na rezultat (npr.
ekonomija, kamatne stope, nezaposlenost), koriste se modeli koji mogu
analizirati i predvideti više varijabli istovremeno.
b. Stohastički modeli:
Ovi modeli uzimaju u obzir nasumične promene i varijacije u sistemu. Mogu
se koristiti za prognozu koja uključuje slučajnost, kao što su predviđanje
promena cena akcija na berzi ili vremenskih uslova.
Monte Carlo simulacija: Jedan od najpoznatijih stohastičkih modela koji se
koristi za generisanje mogućih scenarija na temelju slučajnih uzoraka.
c. Mašinsko učenje i veštačka inteligencija:
2
