بررسی مقایسه‎ای توان پیش‎بینی شبکه‎های عصبی مصنوعی با روش توقف زود هنگام و فرایند سری زمانی خودبازگشت در براورد نرخ تورم

Authors

حسین پورسلطانی کارشناسی ارشد مدیریت فنّ‌آوری اطلاعات، دانشگاه علاّمه طباطبائی، دانشکدة مدیریت و حسابداری

پریسا ساکتی کارشناسی ارشد مدیریت فنّ‌آوری اطلاعات، دانشگاه علامه طباطبائی، دانشکدة مدیریت و حسابداری

پیام حنفی زاده استادیار گروه مدیریت صنعتی، دانشگاه علامه طباطبائی، دانشکدة مدیریت و حسابداری

Abstract:

این مقاله به بررسی مقایسه‌ای توان شبکه‌های عصبی مصنوعی و سری‌های زمانی خودبازگشت در پیش‌بینی ایستای نرخ تورّم ایران می‌پردازد. در یک بررسی، با استفاده از 37 سال داده‌های تاریخی نرخ تورّم ایران، مدل‌ شبکة عصبی مصنوعی در پیش‌بینی آیندة نزدیک در مقایسه با سری‌های زمانی خودبازگشت، به‎طور متوسط از عملکرد بهتری برخوردار است. در این بررسی، مزایای روش توقّف زودهنگام در مرحلة یادگیری شبکة عصبی برای پیش‌بینی سری‌های زمانی نشان داده شده است. طبقه‎بندی JEL: C51, C52, C53, E37

Upgrade to premium to download articles

Already have an account?login

similar resources

بررسی و پیشبینی مدول یانگ در نانولولههای کربنی تک لایه با بهکارگیری شبکههای عصبی مصنوعی

full text

مدل‌سازی و پیش‌بینی ضایعات نان با استفاده از مدل‌های سری زمانی و شبکه‌های عصبی مصنوعی

دراین مطالعه به منظور بررسی عوامل مؤثر بر ضایعات نان و تعیین روابط کوتاه‌مدت، بلندمدت و ضریب تصحیح خطا بین ضایعات نان و متغیرهای مستقل مؤثر برآن طی سال‌های 1385-1357 و پیش‌بینی ضایعات نان از الگوی سری زمانی چند متغیره ARDL استفاده شده است. بر اساس الگوی ARDL ضایعات نان در بلندمدت تابعی مستقیم از تولید ناخالص ملی و رشد شهرنشینی می‌باشد و قیمت نان و ضریب جینی بر ضایعات نان اثر معکوس دارند. در کوت...

full text

پیش‌بینی کارایی به کمک تأثیرپذیری غیرخطی از تأخیرهای زمانی در تحلیل پوششی داده‌ها با شبکههای عصبی مصنوعی

هدف: یکی از شیوه‌های مرسوم ارزیابی کارایی هر سازمان یا بنگاه، مقایسه آن با سایر رقبا یا نمونه‌های متناظر آن است. با این حال، در برخی پژوهش‌ها به سنجش کارایی یک واحد در مقایسه با خود در مرور زمان پرداخته شده و روند عملکرد یک واحد نسبت به گذشته خود ارزیابی شده است. هدف پژوهش جاری، پیش‌بینی کارایی یک واحد با استفاده از سری‌های زمانی عملکرد گذشته آن است. روش: این پژوهش به کمک مدل SBM و با استفاده ا...

full text

مقایسه روش‌های سری زمانی و شبکه عصبی مصنوعی در پیش‌بینی تبخیر-تعرق مرجع (مطالعه موردی: ارومیه)

تبخیر-تعرق یکیازمؤلفههایمهمدرمصرفمنابعآب در بخش کشاورزیمیباشد. لذا ارائه روشی که پیشبینی مناسب و دقیقی از میزان تبخیر-تعرق مرجع را بدهد، میتواند در اخذتصمیم بهینهبرایبرنامهریزی منابع آب کمککند. دراینتحقیق،روشهای سری زمانی و شبکههای عصبی مصنوعی درپیشبینیتبخیر-تعرق مرجع ماهانهدرایستگاهسینوپتیک ارومیهموردمقایسه قرار گرفتند. بدین منظور در گام نخست بهترین مدل سری زمانی از بین مدلهای A...

full text

مدلسازی هوشمند سری زمانی جریان ماهانه حوضه رودخانه شور قروه با شبکه عصبی مصنوعی

پیش بینی دقیق جریان در رودخانه ها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه اتخاذ تدابیری مناسب در مواقع سیلاب و بروز خشکسالی هاست. در حقیقت حصول روشهای مناسب و دقیق در پیش بینی جریان رودخانه ها را می توان به عنوان یکی از چالشها در فرآیند مدیریت و مهندسی منابع آب دانست. در این پژوهش برای مدلسازی هوشمند سری زمانی جریان ماهانه از یک دوره ی آماری26ساله (1389-1364) استفاده شد. جهت دست...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}

Journal title

تحقیقات اقتصادی

volume 42 issue 4

pages -

publication date 2007-07-23

unfollow

{@ msg @}

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

انتخاب مدل پیش‌بینی تورم سری‌های زمانی شبکة عصبی

Hosted on Doprax cloud platform doprax.com