تولید ناخالص داخلی (gdp) به عنوان یکی از مهم ترین شاخص های عملکرد اقتصادی برای بخش های خصوصی و دولتی است، به طوری که بر مبنای پیش بینی های کوتاه و بلندمدت این متغیر دست به انتخاب سیاست های مالی یا سرمایه گذاری می زنند. بدیهی است که هر چقدر این پیش بینی ها با واقعیت فاصله بیشتری داشته باشند، برنامه ها و سیاست های موجود ناکاراتر می شوند. اما از آنجایی که عموما فعالیت های اقتصادی متاثر از فصل هستند و رفتاری فصلی دارند، تحلیل ها بر پایه داده های فصلی بسیار مطلوب تر و احتمالا با دقت بیشتری همراه خواهد بود. البته اخیرا رویکرد استفاده از داده هایی با فرکانس بالاتر نیز بسیار رایج شده است. پیشرفت های جدید و پایه ای در مدل های کمی، بویژه در عرصه پیش بینی، باعث شده است تا تغییرات اساسی ای در این مدل ها ایجاد شود و دسترسی به نتایج بهتر و خطای کمتر تسهیل شود. در این پایان نامه تلاش شده است با ارائه یک سیستم پیش بینی کوتاه مدت برای gdp اسمی و واقعی فصلی، گامی هر چند ناچیز در تسهیل سیاست های کلان اقتصاد کشور برداشته شود. در عرصه پیش بینی، روش های مختلفی وجود دارد که می توان آنها را به دو دسته کلاسیک اقتصادسنجی و نوین هوش مصنوعی تقسیم بندی کرد. به منظور رسیدن به یک مقایسه منطقی تر، از هر دسته یک روش انتخاب شد. در واقع، در این پایان نامه از دو روش sarima و anfis که بر پایه متدولوژی های باکس-جنکینز و جانگ هستند، استفاده شده است. پس از مدل سازی ها و پیش-بینی های انجام گرفته برای gdp اسمی و واقعی فصلی، نرخ های رشد فصل-به-فصل و سال-به-سال نیز محاسبه شده و خطاهای مربوط بدست آمدند. دو معیاری که برای محاسبه خطاها استفاده شده است، mape و rmse می باشد. لازم به ذکر است که پیش بینی ها برای حداکثر 8 فصل رو به جلو انجام و ارزیابی شده اند. به عبارت دقیق تر نتایج برای 2،1،....،8 فصل رو به جلو انجام و ارائه شده اند، اما 8 گام بیشتر مد نظر بوده و مورد بررسی قرار گرفته است. نتایج حاصل برای پیش بینی gdp اسمی فصلی، gdp واقعی فصلی، نرخ رشد فصل-به-فصل و نرخ رشد سال-به-سال همگی نشان دادند که روش anfis نسبت به روش sarima از نظر معیار mape برتری بلامنازعی داشته است. حداقل بهبودهایی که در هر یک از چهار حالت فوق رخ داده اند، به ترتیب 33% در 7 گام پیش بینی، 59% در 8 گام پیش بینی، 48% در 7 گام پیش بینی و 62% در 8 گام پیش بینی می باشد.