چکیده:
امروزه روش های کمی، به یکی از مهم ترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاری های کلان در بازارها تبدیل شده اند. دقت پیش بینی، یکی از مهم ترین فاکتورهای انتخاب روش پیش بینی است؛ شبکه های عصبی مصنوعی، برنامه های کامپیوتری منعطفی هستند که در سطح گسترده ای برای پیش بینی، با درجه بالایی از دقت به کار برده می شوند. در این مقاله، با استفاده از ترکیب منطق فازی و شبکه عصبی مصنوعی پس انتشار، مدلی برای پیش بینی فروش کاغذ روزنامه، ارائه شده است. برای ارزیابی مدل پیشنهادی، از داده واقعی شرکت چوب و کاغذ مازندران، استفاده شد. پس از جمع آوری اطلاعات لازم، به کمک نرم افزار MATLAB نسبت به تجزیه و تحلیل داده ها اقدام و مدل پیشنهادی برای پیش بینی فروش کاغذ روزنامه ارائه گردید. همچنین برای ارزیابی مدل پیشنهادی، نتایج پیش بینی با روش شبکه های عصبی فازی و روش های رگرسیون و سری زمانی ARIMA مورد مقایسه قرار گرفت که نشان دهنده برتری شبکه عصبی فازی بر دو روش دیگر است.
خلاصه ماشینی:
"به منظور اندازهگیری صحت و عملکرد مدلهای مختلف پیشبینی،در این {P(1)- Stepwise Regrwssion Analysis(SRA) P} {P(2)- Fuzzy Delphi Method(FDM) P} مقاله،از خطای درصد مطلق متوسط یا MAPE برای ارزیابی عملکرد استفاده شد است: که در آن:(به تصویر صفحه مراجعه شود) F t :مقدار پیشبینی شده برای دوره تناوب t ، A t :مقدار واقعی برای دوره t ، S t :مقدار فروش واقعی چوب و کاغذ برای دوره t و n :تعداد دورهها است.
[29] برای این منظور،تعدادی از دادههای تاریخی شرکت و دادههای خارجی موثر بر میزان فروش ماهانه کاغذ روزنامه،با استفاده از روش دلفی فازی (FDM) و آزمون رگرسیون مرحلهای (SRA) برای ورود به شبکه عصبی،انتخاب شدند،که نحوه انتخاب این متغیرهای ورودی به شرح زیر است: الف.
درصد خطای پیشبینی در 12 ماه آخر دوره آزمایش بعد از به کارگیری آزمون (به تصویر صفحه مراجعه شود) در نتیجه با مقایسه این 2 شبکه بهینه شده،نتیجه گرفته شد که میزان خطای پیش بینی بعد از به کارگیری آزمون SRA به طور تقریبا محسوسی کاهش پیدا کرده است.
نتیجه مدل ARIMA سری زمانی با متغیرهای منتخب کارشناسان خبره بعد از SRA (به تصویر صفحه مراجعه شود) اگرچه میزان MAPE در دو حالت اخیر،به صورت محسوسی کاهش پیدا کرده اما هنوز میزان آن بسیار بزرگتر از زمانی بود که از شبکه عصبی برای مدلسازی پیشبینی استفاده شد.
a sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm, European Journal of Operational Research 129(2001)496-517.
Tug'ba Efendigil a,*, Semih niit a, Cengiz Kahraman,(2008), a decision support system for demand forecasting with artificial neural networks and neuro-fuzzy models: A comparative analysis, Expert Systems with Applications xxx(2008)xxx-xxx."