چکیده:
کاربرد شبکه های عصبی در پیش بینی سری های زمانی
اصغری اسکویی محمدرضا*
* گروه آمار، ریاضی و کامپیوتر دانشگاه علامه طباطبایی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار هستند، استفاده می شود. شبکه های عصبی، یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی و پیش بینی به کار رفته و نتایج مفیدی داشته است. در این مقاله، از شبکه های عصبی در پیش بینی سری های زمانی داده های اقتصادی استفاده کرده ایم. در این رابطه عوامل مختلف ساختاری، روش های مختلف یادگیری شبکه های عصبی و انتخاب و کاربرد مناسب داده ها در فرایند پیش بینی، مورد ارزیابی و بررسی قرار گرفته است. در این پژوهش، از ابزارهای محاسباتی نرم افزار MATLAB و داده های اقتصادی کشور استفاده شده است.
خلاصه ماشینی:
"Prediction Machine-PM (به تصویر صفحه مراجعه شود)در این مقاله،پیشبینی سری زمانی با تقدم صفر (m O) به وسیله شبکه عصبی MLP با الگوریتم یادگیریانتشار وارون از چهار روش مختلف تحلیل نمونههای آموزشی مورد بررسی قرار گرفته است.
Dream (به تصویر صفحه مراجعه شود)در این روش،با توجه به اینکه نمونههای آموزشی نتیجه پیشبینی مرحله قبل است،در هر مرحله آموزش،مجموعه آموزشی،مقادیر جدیدی خواهد بود،درحالیکه مجموعه مقادیر واقعی همواره ثابت و برابرنمونههای اصلی سری زمانی است.
Postprocessing &%01210AEPG012G% وش چهارم در این روش،از یک ماشین پیشبینی(یا شبکه عصبی)با i ورودی و o خروجی برای پیشبینی«رشد مقادیرسری زمانی»استفاده شده است.
رجوع کنید به منابع(4)و(5) (به تصویر صفحه مراجعه شود)در این نوشتار،معیار اصلی ارزیابی،مقدار نسبت پراکندگی نمونههای پیشبینی شده به پراکندگی نمونههایسری زمانی R است و مقدار متوسط قدر مطلق خطای پیشبینی نمونههای آزمون (P) نیز در کنار آن موردتوجه قرار گرفته است.
پارامترهای نمایش داده شده در هر نمودار به قرار زیر است: pM1 ،متوسط خطای پیشبینی در مجموعه آموزشی mX ،پراکندگی سری زمانی mY1 ،پراکندگی سری زمانی پیشبینیشده به سریزمانی اولیه(محدود به مجموعه آموزشی) Duration ،مدت زمان آموزش شبکه عصبی به ثانیه pE2 ،متوسط خطای پیشبینی در مجموعه آزمون mY ،پراکندگی سری زمانی پیشبینیشده به سریزمانی اولیه mY2 ،پراکندگی سری زمانی پیشبینیشده به سریزمانی اولیه(محدود به مجموعه آزمون) (به تصویر صفحه مراجعه شود) در یک نتیجهگیری مختصر از چهار آزمون پیشبینی،موارد زیر قابل ذکر است: *الگوریتم Conjugate Gradient در آموزش نمونههای مجموعه آموزشی(1 تا 30)نتایج بسیارمطلوب دارد،اما،در تعمیمپذیری نمونههای مجموعه آزمون در پیشبینی 5 نمونه اول مجموعهآزمون(31 تا 35)یعنی 40%اولیه نتایج مطلوب و در باقی نمونه(36 تا 43)نتایج نامطلوب دارد."