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

Authors

  • غلامعلی رئیسی اردلی مهندسی صنایع
  • مهدی بیجاری مهندسی صنایع
Abstract:

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 میانگین متحرک خودرگرسیون انباشته (ARIMA) با شبکه‌های عصبی مصنوعی(ANNs) از این جمله مدل‌های بهبود‌یافته می‌باشند. این‌گونه از مدل‌ها با بهره‌گیری از مزایای منحصر به فرد هر یک از روش‌های مدل‌سازی خطی و غیرخطی، نتایج حاصله را بهبود بخشیده‌اند. در این مقاله با استفاده از شبکه‌های عصبی احتمالی(PNNs) روند تغییرات باقیمانده‌های سری زمانی مورد مطالعه تشخیص و دقت روش ترکیبی بهبود داده شده است. نتایج حاصله از بکارگیری روش پیشنهادی در پیش‌بینی نرخ ارز موجب 10 % بهبود نسبت به مدل ترکیبی میانگین متحرک خودرگرسیون انباشته با شبکه‌های عصبی مصنوعی در میانگین قدرمطلق خطا گردیده است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

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

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 می...

full text

مقایسه عملکرد مدلهای رگرسیونی ARIMA وشبکه عصبی باالگوریتم ژنتیک (GMDH) درپیش بینی قیمت نفت خام ایران

این پژوهش باهدف معرفی یک الگوی مناسب جهت پیش بینی قیمت نفت خام سنگین ایران صورت پذیرفته است. داده های مورداستفاده دراین پژوهش به صورت هفتگی وشامل بازه ی زمانی هفته سوم 4/2002 الی هفته چهارم 7/2011 که  مشتمل بر485مشاهده بوده که جهت مجزاسازی پیش بینی های داخل نمونه ای وخارج ازنمونه استفاده شده است. همچنین الگوهای مورداستفاده دراین پژوهش عبارتنداز:یک مدل شبکه عصبی مصنوعی مبتنی برالگوریتم ژنتیک (GM...

full text

مقایسه عملکرد مدلهای رگرسیونی arima وشبکه عصبی باالگوریتم ژنتیک (gmdh) درپیش بینی قیمت نفت خام ایران

این پژوهش باهدف معرفی یک الگوی مناسب جهت پیش بینی قیمت نفت خام سنگین ایران صورت پذیرفته است. داده های مورداستفاده دراین پژوهش به صورت هفتگی وشامل بازه ی زمانی هفته سوم 4/2002 الی هفته چهارم 7/2011 که  مشتمل بر485مشاهده بوده که جهت مجزاسازی پیش بینی های داخل نمونه ای وخارج ازنمونه استفاده شده است. همچنین الگوهای مورداستفاده دراین پژوهش عبارتنداز:یک مدل شبکه عصبی مصنوعی مبتنی برالگوریتم ژنتیک (gm...

full text

بهبود کنترل‌کننده تطبیقی عصبی-فازی با بکارگیری الگوریتم خوشه‌بندی فازی بمنظور کنترل ارتعاشات سیستم تعلیق خودرو

سیستم تعلیق یکی از اجزاء مهم تشکیل دهنده خودرو می‌باشد که هدف اصلی آن جداسازی بدنه خودرو از ارتعاشات ناشی از شرایط مختلف جاده‌ای می‌باشد. امروزه دست‌یابی به یک سیستم تعلیق که بتواند خود را با شرایط مختلف جاده‌ تطبیق دهد چالش پیش‌روی شرکت‌های سازنده خودرو می‌باشد. شرایط جاده و سرعت پیش‌روی خودرو از عوامل متغییر با زمان می‌باشند که باعث می‌شود رفتار دینامیکی سیستم تعلیق بسیار تصادفی باشد. از این‌...

full text

مدلهای سریهای زمانی ناهمواریانسی شرطی

وجود تغییرات ساختاری در سری‏های زمانی مالی از عواملی است که موجب می‏شود مدلهای خطی برای تحلیل این سریها مناسب نباشند. نادیده گرفتن این تغییرات در سطح میانگین و واریانس سری‏های زمانی اثرات نامطلوبی روی تحلیل‏ها خواهد گذاشت. در بسیاری از سریهای زمانی مالی و اقتصادی فرض ثابت بودن واریانس برقرار نیست که در این شرایط مدلهای خانواده اتورگرسیو ناهمواریانس شرطی می‏توانن نتایج مطلوبی ارائه ‏دهند. در ای...

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 44  issue 2

pages  181- 193

publication date 2010-09-23

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

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023