چکیده:
صنعت فولاد به عنوان یک صنعت مادر از جایگاه ویژه ای در اکثر کشورها برخوردار است. میزان مصرف این محصول در صنایع زیربنایی، یکی از شاخص های توسعه در کشورهاست. این مقاله می کوشد روش شبکه های عصبی (ANN) را معرفی و کاربرد این روش را برای پیش بینی قیمت فولاد بررسی نماید. برای سنجش بهتر این روش، آن را با یکی از روش های معمول اقتصادسنجی یعنی روش خود رگرسیون میانگین متحرک انباشته (ARIMA) مقایسه می کنیم. برای شبکه های عصبی مصنوعی از شبکه ی پیشرو با آموزش پس انتشار خطا استفاده شده است و در ادامه بروز انواع مشکل برازش بیش از حد بررسی و راه های مقابله با آن عنوان می گردد. در روش شبکه ی عصبی، شبکه ای با معماری پنج گره در لایه ی ورودی، دو نرون در لایه ی میانی و یک نرون در لایه ی خروجی که دارای کمترین میانگین مربعات خطا بود، انتخاب گردید. در روش (ARIMA) نیز با توجه به متدولوژی باکس- جنکینز، مدل به صورت ARIMA(1،1،0) درآمد. در نهایت نتایج به دست آمده نشان می دهد که مدل شبکه ی عصبی بهتر از روش دیگر عمل می نماید و خطای پیش بینی آن از روش ARIMA بسیار کمتراست.
خلاصه ماشینی:
"نمودار 7: روند خطا (MSE) / 4-9-1- نتایج شبکهی عصبی ANN52 مقادیر واقعی و پیش بینی قیمت فولاد با استفاده از ANN52 در نمودار و جدول زیر آورده شده است که امکان مقایسه را فراهم میآورد.
جدول 2: میزان خطای ANN52 با توجه به معیارهای مختلف معیار TIC MAPE MAE RMSE MSE خطا 011/0 012/0 72/52 75/93 6/8789 ماخذ: نتایج تحقیق 5 - روش خود رگرسیون میانگین متحرک انباشته ( ARIMA ) همانطور که پیش از این توضیح داده شد، در صورت لزوم یک سری زمانی d بار تفاضل گیری میشود تا مانا گردد و آنگاه در قالب یک الگوی ARIMA(p,d,q) نمایش داده شود.
5-1- نتایج مدل خود رگرسیون میانگین متحرک انباشته در این تحقیق، فرآیند شناسایی برای مدل ARIMA به روش باکس - جنکینز به صورت پنج مرحلهی زیر مورد استفاده قرار گرفته است.
نتایج پیش بینی مدل خود رگرسیون میانگین متحرک انباشته برای قیمت فولاد در جدول شمارهی (9) و میزان خطا در جدول شمارهی (10) نشان داده شده است.
پس از بررسی اجمالی صنعت فولاد و تحلیل قیمت آن، ابتدا با دادن سه نوع دادهی آموزش، اعتبارسازی و آزمون و همچنین تعداد دفعات تکرار آموزش مناسب و استفاده از نرونهای مخفی کم از بروز مشکل برازش بیش از حد جلوگیری به عمل آمد و در نهایت مدل ANN52 با پنج ورودی و دو نرون مخفی انتخاب گردید و همچنین پیش بینی با روش ARIMA انجام شد و مدل به صورت ARIMA(1,1,0) درآمد."