نام پژوهشگر: فریبا شاهمرادگلی
فریبا شاهمرادگلی رویا امجدی فرد
مدل سازی و پیش بینی سری های زمانی، در حوزه های کاربردی مختلف اهمیت بسزایی دارد. دقت پیش بینی یکی از مهم ترین عوامل موثر در انتخاب روش پیش بینی است. مدل خودرگرسیون میانگین متحرک انباشته (arima ) و شبکه عصبی مصنوعی از پراستفاده ترین مدل های پیش بینی به شمار می آیند. داده های سری زمانی اغلب شامل هر دو الگوی خطی و غیرخطی هستند. مدل arima نمی تواند با رابطه های غیرخطی سروکار داشته باشد، این در حالی است که شبکه عصبی نیز به تنهایی قادر به عملکرد یکسان با هر دو الگوی خطی و غیرخطی نیست. از این رو، هیچ یک از مدل های arima و شبکه عصبی نمی توانند در مدل سازی و پیش بینی داده های سری زمانی مناسب باشند. در مراجع و منابع موضوع مدل های بسیار مهمی به منظور بهبود دقت و کارایی مدل سازی و پیش بینی سری های زمانی پیشنهاد شدند. مدل های ترکیبی که یک سری زمانی را به اجزای خطی و غیرخطی آن تجزیه می کنند، مهم ترین نوع آن ها به حساب می آیند. در این پایان نامه، به منظور به دست آوردن مدلی دقیق تر از شبکه های عصبی مصنوعی برای پیش بینی سری های زمانی، مدل بهبود یافته ای از شبکه های عصبی مصنوعی که از مدل های arima استفاده می کند، پیشنهاد شده است. در مدل پیشنهادی، فواید منحصر به فرد مدل arima در مدل سازی خطی، به منظور پیش پردازش داده های تحت مطالعه برای استفاده در شبکه های عصبی مصنوعی به کار گرفته شده است. این پایان نامه همچنین یک روش ترکیبی پیش بینی را ارائه می دهد که مدل arima فصلی (sarima ) و شبکه های عصبی را با هم ترکیب می کند. مدل sarima و شبکه های عصبی مصنوعی می توانند داده هایی را که درگیر معضل روند و فصلی بودن هستند، مهار کنند. نتایج تحلیلی به دست آمده از مدل sarima، به عنوان داده های ورودی شبکه عصبی وارد می شوند . سپس این مدل برای پیش بینی داده های سری زمانی فصلی به کار گرفته می شود.