چکیده:
برای پیشبینی سری زمانی ابتدا باید مدل مناسبی از آن ساخته شود. تعیین ابعاد و تخمین پارامترهای مناسب برای مدل ARMA سری زمانی، چالشی است که علاوه بر روشهای متداول آماری، از طریق محاسبات هوشمند نیز به آن توجه شده است. در این مقاله استفاده از الگوریتم ژنتیک برای تخمین پارامترهای مدل ARMA و قواعد کشفی برای تعیین ابعاد مدل ارائه میشود. قواعد کشفی براساس ویژگیهای سری زمانی استخراج میشوند. دادهها بهروش پنجرۀ لغزان در پیشبینی بهکار میروند. مدل بر اساس معیار اطلاعاتی بیزین و پیشبینی بر اساس دو معیار مجذور متوسط مربعات خطا و متوسط قدر مطلق درصد خطا ارزیابی میشود. روش ارائهشده روی هشت سری زمانی با ویژگیهای مختلف بهکار رفته و نتایج آن با نتایج روش آماری مقایسه شده است. نتایج نشان میدهد در تمام موارد، روش ارائهشده همسان یا بهتر از روش کلاسیک عمل میکند.
خلاصه ماشینی:
تعيـين ابعـاد و تخمين پارامترهاي مناسب براي مـدل ARMA سـري زمـاني ، چالشـي اسـت کـه عـلاوه بـر روش هاي متداول آماري ، از طريق محاسبات هوشمند نيز به آن توجه شده است .
در اين مقاله به منظور مدل سازي و پيش بيني سري هاي زماني ، رويکـرد فنـي انتخـاب شـده است و درواقع هدف ، پيش بينـي رفتـار سيسـتم اسـت ، نـه روش کـار آن .
دربارٔە استفاده از هوش محاسباتي در کنار روش هاي کلاسيک ، براي مدل سازي و پيش بينـي سري هاي زماني مطالعات فراواني شده است .
نتايج الگوريتم ژنتيک و قواعد کشفي و روش هاي کلاسيک نرم افزار SPSS روي سري زماني مسافران تعداد خطاي خطاي آموزش مدل انتخاب تأخيرهاي زماني پارامترها پيش بيني قاعده RMSEf BIC RMSE࢚ P قاعدٔە ١ 14 834 19/476 33/644 قاعدٔە ٢ 7 730 15/715 16/679 GA-AR قاعدٔە ٣ < ١٢ و١١ و٣ و٢ و١ > 6 707 14/148 17/528 قاعدٔە ٤ 5 709 14/260 19/843 قاعدٔە ٥ < ١٣ و١٢ و١ > 4 9/442 598 14/024 قاعدٔە ١ 27 924 21/659 42/967 قاعدٔە ٢ 15 1053 42/456 20/473 GA-ARMA قاعدٔە ٣ < ١٢ و١١ و٣ و٢ و١ > 13 756 15/304 21/618 قاعدٔە ٤ < ١٢ و٣ و٢ و١ > 9 663 11/035 17/104 قاعدٔە ٥ < ١٣ و١٢ و١ > 7 660 11/485 21/676 9/582 777 79/826 SPSS-ARIMA 13/759 889 75/390 SPSS-Exponential Smoothing همان گونه که در جدول ٤ مشخص است ، مـدل GA-AR بـا اسـتفاده از قاعـدٔە ٥ کمتـرين پيچيدگي را دارد و بهترين مدل انتخاب مي شود.