Facoltà: Ingegneria Gestionale - classe L-9
Collocazione: 18262
Autore: Nicolin Stefano
Data: 23/04/2020
Titolo: L’utilizzo di recurrence plots e della recurrence quantification analysis come strumento previsionale e relativa applicazione su serie storiche simulate e reali
Relatore: Pozzi Rossella
Autorizzazione per la consultazione: SI
Le tesi si possono consultare unicamente in sede
Il saper raccogliere, analizzare, interpretare, gestire e visualizzare i dati è di vitale importanza per prendere decisioni nel più breve tempo possibile, massimizzando così i potenziali guadagni e minimizzando le perdite. Per poter raggiungere questo scopo vengono continuamente ricercate metodologie all’avanguardia che utilizzano tecnologie sempre più avanzate e complesse per fornire informazioni precise e chiare nel più breve tempo possibile e con il minor dispendio di risorse ed energie. Nello svolgimento di questa tesi si è voluto approfondire, tra i vari pilastri dell’Industry 4.0, il tema dell’analisi dei dati, il quale sta assumendo un ruolo centrale e di importanza vitale in ambito strategico e nei processi industriali. In particolare, si è fatto riferimento all’analisi di serie storiche, con l’obiettivo di fornire risultati precisi e concreti per inizializzare un modello previsionale: si è voluto a tal fine testare un nuovo metodo, basato sul considerare una serie storica rappresentante una generica curva di domanda come un sistema dinamico e studiandone la proprietà ricorsiva tramite il Recurrence Plot e la Recurrence Quantification Analysis. Infine, si è voluto confrontare i valori e le informazioni in output di questa metodologia con quelli forniti dalle classiche analisi dei residui e di autocorrelazione, ampliamente applicate e riconosciute, con lo scopo di valutarne la coerenza ed indicarne pregi, difetti e limiti. L’applicazione del metodo, sia su serie storiche simulate che su quelle reali, ha prodotto risultati incoraggianti, confermando coerenza nei risultati forniti dal RP come supporto alla RQA e dal metodo classico: nello specifico è stato riscontrato che effettivamente le due tecniche forniscono risultati sovrapponibili, confermando l’ipotesi ed avendo quindi un riscontro positivo sul fatto che l’analisi di quantificazione della ricorrenza può portare a risultati soddisfacenti. Inoltre, si è riusciti a dimostrate che l’applicazione della RQA può richiedere fino ad 1⁄3 dei dati minimi necessari per lo svolgimento dell’analisi di autocorrelazione, superando quindi un limite che l’analisi tradizionale impone per avere risultati utilizzabili in fase previsionale. In particolare, i risultati della Recurrence Quantification Analysis sono stati migliori (in termini di robustezza del valore fornito) nell’individuazione di sistemi dinamici caratterizzati da componenti di natura deterministica, mentre l’autocorrelazione ha individuato in modo più preciso l’assenza di tale natura nelle serie storiche che effettivamente rappresentavano un comportamento casuale. Si può quindi confermare che l’utilizzo della Recurrence Quantification Analysis, supportata dalla descrizione qualitativa del sistema dinamico fornita dal Recurrence Plot, è da considerarsi un più che valido strumento e spesso un’alternativa nell’identificare efficacemente stagionalità, ciclicità e trend, ottimizzando il numero minimo di dati necessari ed il dispendio di risorse utili al raggiungimento risultati.
