پیشبینی تقاضای حمل و نقل هوایی میتواند نقش مهمی را در برنامهریزیهای کلان و خرد یک کشور ایفا کند. در سطح کلان میتوان به اولویتبندی تخصیص بودجه های دولتی به شهرهای مختلف برای ایجاد زیرساختهای حمل و نقل هوایی مانند فرودگاه یا خرید و اجاره هواپیما اشاره کرد و در سطوح خرد برای فعالیتهایی مثل طراحی و برنامهریزی عملیات فرودگاه، تصمیم گیری شرکتهای هواپیمایی برای ورود به بازارهای جدید، افزایش ظرفیت خطوط موجود یا اولویتبندی فعالیتهای بازاریابی شرکت، از اهمیت بالایی برخوردار است. به عنوان مثال هزینه ایجاد یک فرودگاه کامل در سال 1992 برابر با 2000 دلار در هر متر مربع بوده است که پیشبینی تعداد مسافر به عنوان فضای مورد نیاز برای ساختمانهای ترمینال و تخمین تعداد پرواز هواپیماها به عنوان فضای مورد نیاز برای باند، راه تاکسی و ... تعبیر میشود. فرایند پیشبینی میتواند بحرانیترین عامل در توسعه یک فرودگاه باشد، خطایی که ممکن است در این مرحله رخ دهد بسیار هزینهبر و برای اقتصاد محلی مخرب است، تخمین کم موجب ازدیاد شلوغی، تاخیر و کمبود تاسیسات در فرودگاه میشود مانند اتفاقی که در سال 1974 در ونزوئلا افتاد و عملیات اکتشاف نفت باعث یک افزایش پیشبینی نشده در حجم پروازهایی که در فرودگاه کاراکاس انجام میگرفت شد و بار در مناطقی ذخیره میشد که باعث خراب شدن یا به سرقت رفتن میشد.

از مهمترین فرآیندها در بسته بندی و نگهداری محصولات کشاورزی عملیات دسته بندی می باشد. هدف پژوهش حاضر بدست آوردن الگوریتمی برای تشخیص و درجه بندی محصول گوجه فرنگی و ارائه سامانه ی کارآمد در این زمینه می باشد؛ برای سادگی این فرآیند ، از شبکه های فازی عصبی موسوم به anfis استفاده شده است که در عین سادگی کار و تنظیم کردن، دقتی همپای شبکه های عصبی را به ارمغان می آورد. پس از عکس برداری از نمونه های گوجه فرنگی تهیه شده، این نمونه ها توسط فرد خبره در 8 دسته: ناسالم و نارس و 6 دسته ی نیم رس و رسیده در 3 سطح اندازه ای: بزرگ، متوسط و کوچک دسته بندی شدند. ویژگی های ابعادی و رنگی تصاویر گرفته شده از این نمونه ها با استفاده از فناوری ماشین بینایی و الگوریتم های طراحی شده بدست آمده و به سامانه anfis سپرده شد. دسته بندی با استفاده از این سامانه و اطلاعات بدست آمده از ماشین بینایی در سه سطح اولیه و یک سطح نهایی انجام گردید. سه سطح اولیه عبارت بودند از درجه بندی از لحاظ رنگ، درجه بندی از لحاظ اندازه ای و جداسازی محصول سالم از غیرسالم؛ سپس داده های مربوط به هر سطح به عنوان ورودی به سامانه نهایی ارائه شدند. سامانه نهایی وظیفه داشته است که سه سطح اندازه ، رنگ و سلامت را در کنار هم قرار داده و نمونه ها را در 8 دسته قرار دهد. در هر سطح میزان دقت برای قبل و بعد از آموزش بدست آمد که نشان می داد مرحله آموزش موجب ارتقاء کیفیت تشخیص و درجه بندی گردیده و آنرا حدود 10% افزایش داده است. دقت حاصل از این سامانه پس از فرآیند آموزش برابر با 81،89، 95 و 81% به ترتیب برای درجه بندی های اندازه ای، رنگی، بافتی و نهایی می باشد.