مقاله و تحقیق دانشجویی

توضیحات :

مبانی نظری پيش بيني و مدل هاي پيش بيني در قالب Word قابل ویرایش.در 44 صفحه .

فهرست مطالب :

پيش ¬بيني و مدل¬هاي پيش ¬بيني

تعريف پيش ¬بيني

مدل ¬هاي پيش ¬بيني

سري ¬هاي زماني

مدل باکس ـ جنکينز

بحث¬¬هاي کلي مدل

الف- مدل اتورگرسيوAR(p)

ب) مدل ميانگين متحرکMA(Q)

ج) مدل ARMA(p,q)

د) مدل آريما(p,d,q)

ه) شرايط پاياپذيري سري¬هاي زماني پيش¬بيني از طريق مدل باکس ـ جنکينز

شبکه ¬هاي عصبي مصنوعي

ساختار کلي شبکه¬ هاي عصبي

عملکرد شبکه ¬هاي عصبي

مزاياي استفاده از شبکه عصبي مصنوعي

قابليت يادگيري

قابليت تعميم

پردازش موازي (قابليت بالا بودن سرعت)

مقاوم بودن (قابليت تحمل آسيب، تحمل¬پذيري خطا¬ها، قابليت ترميم)

انواع توابع تبديل

انواع شبکه ¬هاي عصبي

الف) شبکه ¬هاي عصبي پيش خور

ب) شبکه¬هاي عصبي پس خور

شبکه عصبي پروسپترون چند لايه

معيارهاي ارزيابي خطا

پيشينه پژوهش

1.1.1 مطالعات داخلي

1.1.2 مطالعات خارجي

2 منابع و ماخذ

بخشی از متن :

پيش ­بيني و مدل­هاي پيش ­بيني

تعريف پيش ­بيني

در يک تعريف کلي، فرايند پيشگويي شرايط و حوادث آينده را پيش­بيني ناميده و چکونگي انجام اين عمل را پيش­بيني کردن ناميده مي­شود (بوکوتا، 2002).

هر سازماني جهت تصميم­گيري آگاهانه بايد قادر به پيش­بيني کردن باشد. از آنجايي که پيش­بيني وقايع آينده در فرآيند تصميم­گيري در سازمان نقش عمده اي را ايفا مي کند، پيش­بيني کردن براي بسياري از سازمانها و نهادها حائز اهميت بالقوه­اي است. بنابراين بيشتر تصميمات مديريت در تمام سطوح سازمان به طور مستقيم و يا غير مستقيم به حالتي از پيش­بيني آينده بستگي دارد.

در مديريت استراتژيک، پيش­بيني شرايط عمومي اقتصاد، نوسانات قيمت و هزينه­ي تغييرات تکنولوژي، رشد بازار و امثال آن در ترسيم آينده بلند­مدت شرکت موثر است. به همين دليل است که کنترل هر فرايند، منوط به پيش­بيني رفتار دوره فرآيند در آينده است. براي مثال ممکن است که در يک دوره فرآيند دستگاهي بيش از حد معين کار کند و تعداد اقلام معيوب توليد شده افزايش يابد. بنابراين براي شناسايي به موقع اين نقص بايد از روش هاي مناسب پيش­بيني استفاده نموده و نسبت به تصحيح و يا حذف آن با توجه به شرايط موجود اقدام نمود (ريفنس، 1997).

مدل ­هاي پيش ­بيني

ابزارهاي عيني و رياضي که براي پردازش و تجزيه و تحليل داده­ها مورد استفاده قرار مي­گيرند مدل­هاي پيش­بيني ناميده مي­شوند. به عبارت ديگر، الگويي از يک واقعيت که ساده و کوچک شده و روابط بين متغيرهاي آن واقعيت يا سيستم را نشان مي­د­هد، مدل خوانده مي­شود. بنابراين، هنگامي که متغيرهاي مورد نظر به صورتي منظم، ساده و قابل فهم در جهت اهداف پيش­بيني در کنار يکديگر قرار گرفتند و الگويي از روابط را بوجود آوردند، يک مدل پيش­بيني شکل مي­گيرد.

سري ­هاي زماني^[1]

به روند مقادير يک متغير در طول زمان که به صورت دوره­هاي زماني با فواصل معين و يکسان تنظيم شده­اند سري زماني گفته مي­شود. در تحليل سري زماني وضعيت تغييرات يک متغير در گذشته مورد بررسي قرارگرفته و به آينده تعميم داده مي­شود. به طور کلي مدل­هايي که در تحليل سري­هاي زماني مورد استفاده قرار مي­گيرند به دو دسته مدل­هاي خطي و غير­خطي تقسيم مي­شوند.

مدل­هاي خطي مانند مدل­هاي باکس ـ جنکينز^[2] و يکنواخت سازي نمايي براي سري­هاي زماني خطي مناسب هستند، ولي در مدل­سازي سري­هاي زماني مالي و غير­خطي با مشکل مواجه مي­شوند.

مدل­هاي غير­خطي از قبيل مدل­هاي غير­کاهنده آستانه­اي، يک تابع غير­خطي خاص و از پيش تعيين شده را پيش­بيني مي­کنند. به عبارتي تابع خطي مورد استفاده در اين روش­ها مشخص است. نوع ديگر مدل­هاي غير خطي شبکه­هاي عصبي مصنوعي هستند که مي توانند هر تابعي را تخمين بزنند و فرايندهاي با رفتار ناشناخته را مدل نمايند.

سري­هاي زماني بدنبال مقادير يک صفت متغير در طول زمان هستند. مشاهدات عموما بايد در تاريخ­هاي معين يعني در فواصل زماني تقريبا ثابت به عمل آيند. مقادير يک صفت متغير ممکن است مربوط به يک لحظه زماني و يا مربوط به يک فاصله يا دوره زماني باشد. که در حالت اول سري زماني را لحظه­اي و در حالت دوم سري زماني را دوره­اي و يا فاصله­اي مي­نامند. قيمت سهام شرکت­ها در آخرين روز ماه و ماه­هاي متوالي و همچنين تعداد بهره برداري­هاي کشاورزي در سال­هاي متوالي از نوع سري­هاي زماني لحظه­اي است و حجم بازرگاني خارجي در سال­هاي متوالي و تعداد نامه­هاي پست شده در ماه­هاي متوالي و يا سال­هاي متوالي از نوع سري­هاي زماني دوره­اي يا فاصله­اي مي باشند.

مطالعه سري­هاي زماني در اکثر رشته­ها مانند جامعه شناسي، بازرگاني، زيست­شناسي، زمين­شناسي و به خصوص زمينه مسائل اقتصادي پيشرفت فراوان داشته و از نظر آمارشناسان اقتصادي نه تنها تشريح وضع فعلي درباره مسائل اقتصادي، ضروري است، بلکه پيش­بيني وضع براي آينده نزديک و دور نيز ضروري است. بديهي است هيچ پيش­بيني بدون اطلاع از گذشته نمي­تواند به عمل آيد و تهيه سري­هاي زماني به منظور تامين اطلاع و آشنايي نسبت به گذشته است.

مدل باکس ـ جنکينز^[3]

مدل باکس ـ جنکينز يا آريما^[4] عبارتست از برازاندن يک الگوي ميانگين متحرک^[5] تلفيق شده با خود­رگرسيو^[6] به مجموعه داده­ها و بدست آوردن الگوي رياضي شرطي در يک سري زماني است. يک مدل آريما سه جزء دارد (خالوزاده، 1999).

1. خود رگرسيو
2. ميانگين يکپارچه^[7]
3. ميانگين متحرک

بحث­­هاي کلي مدل

انواع مدل­هاي باکس ـ جنکينز به صورت زير بيان مي شوند:

الف- مدل اتورگرسيوAR(p)

اين روش مشاهدات
را به صورت تابعي از مشاهدات قبلي بيان مي­کند. در اين مدل

(2-1)

ها مستقلند و در آن
پارامترهايي هستند که بستگي
به هر يک از p مقدار قبل در سري را معلوم مي­کنند.

ب) مدل ميانگين متحرکMA(Q)

اين روش مشاهدات
را به صورت تابعي از اختلالات تصادفي در دوره­ي فعلي t و در دوره­هاي قبلي بيان مي­کند. در اين مدل

(2-2)

(2-3)

ها مستقل هستند و
اختلالات تصادفي را در دوره­هاي (t, t-1,…., t-q) بيان مي­کند و
ميانگين متحرک اختلال جاري
و اختلال­هاي قبلي است که اختلال­هاي قبلي داراي وزن­هاي
هستند. عدد q را مرتبه­ي مدل ميانگين متحرک مي­گويند و جمع وزن هاي
لزوماً برابر 1 نيست.

ج) مدل ARMA(p,q)

رابطه کلي با توجه به موارد بحث شده به صورت زير است که براي سري­هاي ايستا به کار مي­رود.

د) مدل آريما(p,d,q)

اين مدل مدل عمومي باکس ـ جنکينز است و تمام گروه­­هاي ذکر شده را در بر مي­گيرد. در اين مدل p مرتبه اتوگرسيو مدل و q مرتبه ميانگين متحرک مدل و d مرتبه تفاضلي مدل (جهت ايستا کردن مدل) است. يعني آن چه که اين مدل را کامل­تر از مدل قبل مي­نمايد تبديل مناسب جهت پايا بودن مدل است.

که در آن
،
،
، p,
، q، d،
،
به ترتيب مقادير آني متغير، نويز سفيد در زمان t، چند جمله­اي اتورگرسيو، مرتبه ميانگين متحرک، درجه تفاضل­گيري و پارامتر­هاي مدل اتورگرسيو و ميانگين متحرک مي­باشند.

ه) شرايط پاياپذيري[8] سري­هاي زماني پيش­بيني از طريق مدل باکس ـ جنکينز

بايد دقت کنيم که مدل زماني در توصف پيش­بيني سري زماني به کار مي­رود که پايا باشد. منظور از سري زماني پايا (ايستا) اين است که مشخصه­هاي آماري آن (مثل ميانگين و واريانس) در طي زمان ثابت باشند. اگر مقادير
يک سري زماني با اختلاف ثابتي حول ميانگين نوسان داشته باشد در اين صورت سري زماني مورد نظر ايستا است که با مشاهده نمودار داده­ها مي­توان نتيجه گرفت که ايا سري مورد نظر ايستا است يا خير. اگر نمودار داده­هاي
بيانگر پايا نبودن مقادير باشد، در اين صورت مي­توان با گرفتن تفاضلات اوليه، مقادير را به يک سري زماني پايا تبديل کنيم.

تفاضلات اوليه مقادير
عبارتند از

(2-8)

با توجه به اينکهt=2,…..nباشد.

اگر تفاضلات اوليه خود نيز پايا نباشند در اين صورت از روش­هاي ديگر مثل گرفتن تفاضلات ثانويه استفاده مي­شود.

[1] -Time series

[2] -Box-Jenkins

[3] - Box & Jenkins

[4] - Autoregressive- IntegratedMoving Average

[5] - Moving Average

[6] - Autoregressive

[7] -Integrated Average

[8] -Stationary