بهبود مدل های ترکیبی(anns & arima) با بکارگیری شبکه های عصبی احتمالی به منظور پـیش بیـنی سری های زمـانی

نویسندگان

مهدی خاشعی

مهدی بیجاری

غلامعلی رئیسی اردلی

چکیده

دقت پیش بینی ها از مهمترین فاکتور های مؤثر در انتخاب روش های پیش بینی می باشند. امروزه علی رغم وجود روش های متعدد پیش بینی، هنوز پیش بینی های دقیق، بویژه در بازارهای مالی کار چندان ساده ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روش های متفاوت به منظور حصول نتایج دقیق تر می باشند. در سال های اخیر تلاش های فراوانی به منظور بهبود روش های پیش بینی سری های زمانی صورت گرفته است. مدل های ترکیبی میانگین متحرک خودرگرسیون انباشته (arima) با شبکه های عصبی مصنوعی(anns) از این جمله مدل های بهبود یافته می باشند. این گونه از مدل ها با بهره گیری از مزایای منحصر به فرد هر یک از روش های مدل سازی خطی و غیرخطی، نتایج حاصله را بهبود بخشیده اند. در این مقاله با استفاده از شبکه های عصبی احتمالی(pnns) روند تغییرات باقیمانده های سری زمانی مورد مطالعه تشخیص و دقت روش ترکیبی بهبود داده شده است. نتایج حاصله از بکارگیری روش پیشنهادی در پیش بینی نرخ ارز موجب 10 % بهبود نسبت به مدل ترکیبی میانگین متحرک خودرگرسیون انباشته با شبکه های عصبی مصنوعی در میانگین قدرمطلق خطا گردیده است.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

بهبود مدل‌های ترکیبی(ANNs & ARIMA) با بکارگیری شبکه‌های عصبی احتمالی به‌منظور پـیش‌بیـنی سری‌های زمـانی

دقت پیش‌بینی‌ها از مهمترین فاکتور‌های مؤثر در انتخاب روش‌های پیش‌بینی می‌باشند. امروزه علی‌رغم وجود روش‌های متعدد پیش‌بینی، هنوز پیش‌بینی‌‌های دقیق، بویژه در بازارهای مالی کار چندان ساده‌ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روش‌های متفاوت به‌منظور حصول نتایج دقیق‌تر می‌‌باشند. در سال‌های اخیر تلاش‌های فراوانی به‌منظور بهبود روش‌های پیش‌بینی سری‌های زمانی صورت گرفته است. مدل‌های ترکیبی ...

متن کامل

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...

متن کامل

مقایسه روش های ARIMA و شبکه عصبی در مدل سازی و پایش وضعیت خشکسالی با استفاده از داده های سری زمانی سنجش از دوری - مطالعه موردی: شهر اراک

خشکسالی پدیده­ای طبیعی، تکراری و موقتی است که به سبب بارش اندک رخ می دهد و تقریباً تمامی مناطق اقلیمی جهان را تحتتأثیر خود قرار می دهد، بویژه مناطق نیمه خشک که بدلیل میزان پائین بارش سالانه و حساسیت به تغییرات اقلیمی مستعد وضعیت خشکسالی می باشند. خشکسالی می تواند بر سلامت انسان ها و همچنین وضعیت اقتصادی و سیاسی جامعه تأثیرگذار باشد. اطلاعات در مورد شدت، طول مدت و پوشش مک...

متن کامل

استفاده از سری های زمانی در شبکه های عصبی مصنوعی تکاملی به منظور ارزیابی آسیب پذیری در قاب بتنی خمشی

پس از وقوع یک زلزله ، تصمیم گیری سریع در مورد ایمنی ساختمان،امکان ادامه بهره برداری از یکساختمان و تعیین موقعیت و میزان خرابی مورد نظر،بسیار مهم و حیاتی می باشد. امروزه تکنیک جدیداستفاده از مدل شبکه های عصبی مصنوعی تکاملی که مبتنی بر هوش مصنوعی می باشد کاربردگسترده ای در زمینه های مختلف علمی به ویژه مهندسی سازه و زلزله پیدا کرده است. در این مقاله یک1/5 تحلیل دینامیکی غیرخطی شده g 0/1 تا g قاب خ...

متن کامل

پیش بینی تورم ایران با استفاده از مدل های ساختاری ، سری های زمانی و شبکه های عصبی

امروزه ، پیش بینی متغیر های کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحد های اقتصادی برخوردار است. در نتیجه ، دردهه های اخیر ، مدل های پیش بینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداخته اند. اخیراً به موازات مدل های متداول قبلی مانند مدل های ساختاری و سری زمانی ، مدل های دیگری تحت عنوان شبکه های عصبی مصنوعی در زمینه پیش بینی متغیر های مالی و پولی بکار گرفته شده اند. این م...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید


عنوان ژورنال:
نشریه مهندسی صنایع

ناشر: پردیس دانشکده های فنی

ISSN 2423-6896

دوره 44

شماره 2 2010

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023