Skip to content

The Commodity Forecasting Application is a tool developed in Java using the Spring framework. The application aims to predict the values of commodities based on historical data, utilizing statistical tests and forecasting models. App is in polish.

Notifications You must be signed in to change notification settings

SayaS3/CommodityViewer

Repository files navigation

Aplikacja Prognozująca Ceny Surowców

Wprowadzenie

Aplikacja Prognozująca Surowce to narzędzie stworzone w języku Java przy użyciu frameworka Spring. Celem aplikacji jest prognozowanie wartości surowców na podstawie historycznych danych, przy wykorzystaniu testów statystycznych oraz modeli prognozowania.

Opis funkcji

  • Test ADF (Augmented Dickey-Fuller):

    • Test ADF jest wykorzystywany do sprawdzenia stacjonarności szeregów czasowych dla każdego surowca.
    • Wyniki testów zapisywane są w bazie danych w tabeli adf_results.
  • Prognozowanie za pomocą modelu Holt-Winters:

    • Model ten uwzględnia składowe autoregresywne, sezonowe oraz trendu.
    • Prognozy zapisywane są w bazie danych w tabeli holtwinters.

    Model Holt-Winters jest zaawansowanym narzędziem analizy szeregów czasowych, uwzględniającym trzy główne składowe:

    • Składowa autoregresyjna (AR): Model uwzględnia wpływ poprzednich wartości szeregów czasowych na bieżącą wartość prognozy.
    • Składowa sezonowa (S): Model uwzględnia cykliczne wzorce w danych, co pozwala przewidywać sezonowe zmiany.
    • Składowa trendu (T): Model uwzględnia ogólny kierunek, w jakim podążają dane w czasie.
  • Prognozowanie za pomocą modelu ARIMA:

    • Model ten uwzględnia składowe autoregresywne, sezonowe oraz trendu.
    • Prognozy zapisywane są w bazie danych w tabeli arima.

    Model ARIMA (AutoRegressive Integrated Moving Average) to zaawansowany model analizy szeregów czasowych, który skupia się na trzech głównych składowych:

    • Autoregresja (AR): Model uwzględnia wpływ poprzednich wartości szeregów czasowych na bieżącą wartość prognozy.
    • Różnicowanie (I): Proces różnicowania pomaga w dostosowaniu danych do stacjonarności, co poprawia jakość prognozy.
    • Ruchoma średnia (MA): Model bierze pod uwagę bieżące wartości błędów prognoz, co wpływa na dokładność prognozy.

Uruchomienie

Aby uruchomić aplikację wraz z bazą danych i środowiskiem Pythona, wykonaj poniższe kroki:

  1. Pobierz Docker:

  2. Uruchomienie za pomocą Dockera:

    • Otwórz terminal w folderze projektu.
    • Wykonaj polecenie:
      docker-compose up
  3. Sprawdź działanie:

    • Po zakończeniu procesu uruchamiania, aplikacja, baza danych i Python powinny być dostępne.
    • Otwórz przeglądarkę i odwiedź http://localhost:8080, aby skorzystać z aplikacji.

Uwaga: Upewnij się, że nie masz już zajętego portu 8080 na swoim systemie, aby uniknąć konfliktów.

Wymagane narzędzia

Aby skorzystać z Docker Compose, musisz mieć zainstalowane:

  • Docker
  • Docker Compose

Możesz pobrać te narzędzia ze strony https://www.docker.com/get-started.

Screenshots

Przechwytywanie1 Przechwytywanie2 image

Autor

Łukasz Kozioł


gfd

About

The Commodity Forecasting Application is a tool developed in Java using the Spring framework. The application aims to predict the values of commodities based on historical data, utilizing statistical tests and forecasting models. App is in polish.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published