ПРЕДВ ИЂАЊЕ БРОЈА СКИЈАШКИХ ПОВ РЕДА КОРИШЋЕЊЕМ АЛГОРИТАМА ВРЕМЕНСКИХ СЕРИЈА И МАШИНСКОГ УЧЕЊА. (Serbian)

Skiing is a very popular sport, due to the possibility of high-speed development and frequent performance of acrobatic elements by skiers, there is a risk of serious injuries. To improve the decision-making process, keeping records and predicting ski injuries has become very important for ski resorts. This paper illustrates the application and comparison of the time series model and classical machine learning models in predicting the number of ski injuries on Kopaonik. The number of injuries is predicted on a daily, weekly and monthly basis. Predicting injuries at different time frequencies provides a better insight into the overall movement of the number of injuries over time, which certainly affects the quality of planning and decision making. The entire research was conducted in the Python programming language. [ABSTRACT FROM AUTHOR]

Скијање је јако популаран спорт, а због могућности развоја велике брзине и све чешћег извођења акробатских елемената од стране скијаша постоји ризик од озбиљних повреда. У циљу унапређења процеса доношења одлука, вођење евиденције и предвиђање скијашких повреда је постало веома значајно за скијалишта. У раду је илустрована примена и поређење перформанси модела временских серија као и модела машинског учења у предвиђању броја скијашких повреда на Копаонику. Предвиђан је број повреда на дневном, недељном и месечном нивоу. Предвиђање повреда на различитим временским фреквенцијама пружа бољи увид у целокупно кретање броја повреда током времена, што свакако утиче на квалитет планирања и доношење одлука. Целокупно истраживање је спроведено у програмском језику Пајтон. [ABSTRACT FROM AUTHOR]

Copyright of InfoM is the property of Belgrade University, Faculty of Organizational Science and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)