مبانی نظری پیش بینی و مدل های پیش بینی .

مبانی نظری پیش بینی و مدل های پیش بینی مبانی نظری پیش بینی و مدل های پیش بینی

دسته بندی	علوم انسانی
فرمت فایل	doc
حجم فایل	189 کیلو بایت
تعداد صفحات فایل	44

توضیحات :

مبانی نظری پیش بینی و مدل های پیش بینی در قالب Word قابل ویرایش.در 44 صفحه .

 

فهرست مطالب :

پیش ¬بینی و مدل¬های پیش ¬بینی

تعریف پیش ¬بینی

مدل ¬های پیش ¬بینی

سری ¬های زمانی

مدل باکس ـ جنکینز

بحث¬¬های کلی مدل

الف- مدل اتورگرسیوAR(p)

ب) مدل میانگین متحرکMA(Q)

ج) مدل ARMA(p,q)

د) مدل آریما(p,d,q)

ه) شرایط پایاپذیری سری¬های زمانی پیش¬بینی از طریق مدل باکس ـ جنکینز

شبکه ¬های عصبی مصنوعی

ساختار کلی شبکه¬ های عصبی

عملکرد شبکه ¬های عصبی

مزایای استفاده از شبکه عصبی مصنوعی

قابلیت یادگیری

قابلیت تعمیم

پردازش موازی (قابلیت بالا بودن سرعت)

مقاوم بودن (قابلیت تحمل آسیب، تحمل¬پذیری خطا¬ها، قابلیت ترمیم)

انواع توابع تبدیل

انواع شبکه ¬های عصبی

الف) شبکه ¬های عصبی پیش خور

ب) شبکه¬های عصبی پس خور

شبکه عصبی پروسپترون چند لایه

معیارهای ارزیابی خطا

پیشینه پژوهش

1.1.1 مطالعات داخلی

1.1.2 مطالعات خارجی

2 منابع و ماخذ

 

بخشی از متن :

پیش ­بینی و مدل­های پیش ­بینی

تعریف پیش ­بینی

در یک تعریف کلی، فرایند پیشگویی شرایط و حوادث آینده را پیش­بینی نامیده و چکونگی انجام این عمل را پیش­بینی کردن نامیده می­شود (بوکوتا، 2002).

هر سازمانی جهت تصمیم­گیری آگاهانه باید قادر به پیش­بینی کردن باشد. از آنجایی که پیش­بینی وقایع آینده در فرآیند تصمیم­گیری در سازمان نقش عمده ای را ایفا می کند، پیش­بینی کردن برای بسیاری از سازمانها و نهادها حائز اهمیت بالقوه­ای است. بنابراین بیشتر تصمیمات مدیریت در تمام سطوح سازمان به طور مستقیم و یا غیر مستقیم به حالتی از پیش­بینی آینده بستگی دارد.

در مدیریت استراتژیک، پیش­بینی شرایط عمومی اقتصاد، نوسانات قیمت و هزینه­ی تغییرات تکنولوژی، رشد بازار و امثال آن در ترسیم آینده بلند­مدت شرکت موثر است. به همین دلیل است که کنترل هر فرایند، منوط به پیش­بینی رفتار دوره فرآیند در آینده است. برای مثال ممکن است که در یک دوره فرآیند دستگاهی بیش از حد معین کار کند و تعداد اقلام معیوب تولید شده افزایش یابد. بنابراین برای شناسایی به موقع این نقص باید از روش های مناسب پیش­بینی استفاده نموده و نسبت به تصحیح و یا حذف آن با توجه به شرایط موجود اقدام نمود (ریفنس، 1997).

مدل ­های پیش ­بینی

ابزارهای عینی و ریاضی که برای پردازش و تجزیه و تحلیل داده­ها مورد استفاده قرار می­گیرند مدل­های پیش­بینی نامیده می­شوند. به عبارت دیگر، الگویی از یک واقعیت که ساده و کوچک شده و روابط بین متغیرهای آن واقعیت یا سیستم را نشان می­د­هد، مدل خوانده می­شود. بنابراین، هنگامی که متغیرهای مورد نظر به صورتی منظم، ساده و قابل فهم در جهت اهداف پیش­بینی در کنار یکدیگر قرار گرفتند و الگویی از روابط را بوجود آوردند، یک مدل پیش­بینی شکل می­گیرد.

سری ­های زمانی^[1]

به روند مقادیر یک متغیر در طول زمان که به صورت دوره­های زمانی با فواصل معین و یکسان تنظیم شده­اند سری زمانی گفته می­شود. در تحلیل سری زمانی وضعیت تغییرات یک متغیر در گذشته مورد بررسی قرارگرفته و به آینده تعمیم داده می­شود. به طور کلی مدل­هایی که در تحلیل سری­های زمانی مورد استفاده قرار می­گیرند به دو دسته مدل­های خطی و غیر­خطی تقسیم می­شوند.

مدل­های خطی مانند مدل­های باکس ـ جنکینز^[2] و یکنواخت سازی نمایی برای سری­های زمانی خطی مناسب هستند، ولی در مدل­سازی سری­های زمانی مالی و غیر­خطی با مشکل مواجه می­شوند.

مدل­های غیر­خطی از قبیل مدل­های غیر­کاهنده آستانه­ای، یک تابع غیر­خطی خاص و از پیش تعیین شده را پیش­بینی می­کنند. به عبارتی تابع خطی مورد استفاده در این روش­ها مشخص است. نوع دیگر مدل­های غیر خطی شبکه­های عصبی مصنوعی هستند که می توانند هر تابعی را تخمین بزنند و فرایندهای با رفتار ناشناخته را مدل نمایند.

سری­های زمانی بدنبال مقادیر یک صفت متغیر در طول زمان هستند. مشاهدات عموما باید در تاریخ­های معین یعنی در فواصل زمانی تقریبا ثابت به عمل آیند. مقادیر یک صفت متغیر ممکن است مربوط به یک لحظه زمانی و یا مربوط به یک فاصله یا دوره زمانی باشد. که در حالت اول سری زمانی را لحظه­ای و در حالت دوم سری زمانی را دوره­ای و یا فاصله­ای می­نامند. قیمت سهام شرکت­ها در آخرین روز ماه و ماه­های متوالی و همچنین تعداد بهره برداری­های کشاورزی در سال­های متوالی از نوع سری­های زمانی لحظه­ای است و حجم بازرگانی خارجی در سال­های متوالی و تعداد نامه­های پست شده در ماه­های متوالی و یا سال­های متوالی از نوع سری­های زمانی دوره­ای یا فاصله­ای می باشند.

مطالعه سری­های زمانی در اکثر رشته­ها مانند جامعه شناسی، بازرگانی، زیست­شناسی، زمین­شناسی و به خصوص زمینه مسائل اقتصادی پیشرفت فراوان داشته و از نظر آمارشناسان اقتصادی نه تنها تشریح وضع فعلی درباره مسائل اقتصادی، ضروری است، بلکه پیش­بینی وضع برای آینده نزدیک و دور نیز ضروری است. بدیهی است هیچ پیش­بینی بدون اطلاع از گذشته نمی­تواند به عمل آید و تهیه سری­های زمانی به منظور تامین اطلاع و آشنایی نسبت به گذشته است.

مدل باکس ـ جنکینز^[3]

مدل باکس ـ جنکینز یا آریما^[4] عبارتست از برازاندن یک الگوی میانگین متحرک^[5] تلفیق شده با خود­رگرسیو^[6] به مجموعه داده­ها و بدست آوردن الگوی ریاضی شرطی در یک سری زمانی است. یک مدل آریما سه جزء دارد (خالوزاده، 1999).

1. خود رگرسیو
2. میانگین یکپارچه^[7]
3. میانگین متحرک

بحث­­های کلی مدل

انواع مدل­های باکس ـ جنکینز به صورت زیر بیان می شوند:

الف- مدل اتورگرسیوAR(p)

این روش مشاهدات
را به صورت تابعی از مشاهدات قبلی بیان می­کند. در این مدل

 

 

 

 

(2-1)

ها مستقلند و در آن
پارامترهایی هستند که بستگی
به هر یک از p مقدار قبل در سری را معلوم می­کنند.

ب) مدل میانگین متحرکMA(Q)

این روش مشاهدات
را به صورت تابعی از اختلالات تصادفی در دوره­ی فعلی t و در دوره­های قبلی بیان می­کند. در این مدل

(2-2)

(2-3)

ها مستقل هستند و
اختلالات تصادفی را در دوره­های (t, t-1,…., t-q) بیان می­کند و
میانگین متحرک اختلال جاری
و اختلال­های قبلی است که اختلال­های قبلی دارای وزن­های
هستند. عدد q را مرتبه­ی مدل میانگین متحرک می­گویند و جمع وزن های
لزوماً برابر 1 نیست.

ج) مدل ARMA(p,q)

رابطه کلی با توجه به موارد بحث شده به صورت زیر است که برای سری­های ایستا به کار می­رود.

د) مدل آریما(p,d,q)

این مدل مدل عمومی باکس ـ جنکینز است و تمام گروه­­های ذکر شده را در بر می­گیرد. در این مدل p مرتبه اتوگرسیو مدل و q مرتبه میانگین متحرک مدل و d مرتبه تفاضلی مدل (جهت ایستا کردن مدل) است. یعنی آن چه که این مدل را کامل­تر از مدل قبل می­نماید تبدیل مناسب جهت پایا بودن مدل است.

که در آن
،
،
، p,
، q، d،
،
به ترتیب مقادیر آنی متغیر، نویز سفید در زمان t، چند جمله­ای اتورگرسیو، مرتبه میانگین متحرک، درجه تفاضل­گیری و پارامتر­های مدل اتورگرسیو و میانگین متحرک می­باشند.

ه) شرایط پایاپذیری[8] سری­های زمانی پیش­بینی از طریق مدل باکس ـ جنکینز

باید دقت کنیم که مدل زمانی در توصف پیش­بینی سری زمانی به کار می­رود که پایا باشد. منظور از سری زمانی پایا (ایستا) این است که مشخصه­های آماری آن (مثل میانگین و واریانس) در طی زمان ثابت باشند. اگر مقادیر
یک سری زمانی با اختلاف ثابتی حول میانگین نوسان داشته باشد در این صورت سری زمانی مورد نظر ایستا است که با مشاهده نمودار داده­ها می­توان نتیجه گرفت که ایا سری مورد نظر ایستا است یا خیر. اگر نمودار داده­های
بیانگر پایا نبودن مقادیر باشد، در این صورت می­توان با گرفتن تفاضلات اولیه، مقادیر را به یک سری زمانی پایا تبدیل کنیم.

تفاضلات اولیه مقادیر
عبارتند از

(2-8)

با توجه به اینکهt=2,…..nباشد.

اگر تفاضلات اولیه خود نیز پایا نباشند در این صورت از روش­های دیگر مثل گرفتن تفاضلات ثانویه استفاده می­شود.

 

---

[1] -Time series

[2] -Box-Jenkins

[3] - Box & Jenkins

[4] - Autoregressive- IntegratedMoving Average

[5] - Moving Average

[6] - Autoregressive

[7] -Integrated Average

[8] -Stationary