کلیدواژه‌ها = شبکه های عصبی

رویکردهای جدید در پیش بینی با استفاده از شبکه های عصبی- فازی: قیمت نفت

دوره 15، شماره 3، آبان 1390، صفحه 149-169

محمدرحیم رمضانیان؛ اسماعیل رمضانپور؛ سید حامد پوربخش

چکیده دنیای امروز دنیای تغییر است و دانستن این که در آینده چه موقعیتی در انتظار ما است، تقاضای محصولات ما چه قدر است و یا آن ها را به چه قیمتی می توانیم به فروش برسانیم، عامل مهمی در حفظ حیات و بقای سازمان ها است. برای دسترسی به آینده باید بتوانیم پیش بینی کنیم. با پیشرفت روزافزون علم، استفاده از روش های جدید و به کارگیری تکنولوژی های هوشمند رونق بسیاری پیدا کرده است. در این تحقیق کاربرد علم پیش بینی در مدیریت مورد پژوهش قرار گرفته و سعی شده است که روش ها و الگوریتم های جدید مانند شبکه های عصبی و منطق فازی تشریح شده و کاربرد ترکیب این دو روش در پیش بینی بررسی شود. از همین رو نخست با استفاده از چندین روش مختلف مانند میانگین متحرک ساده، میانگین متحرک موزون، نمو هموار ساده، نمو هموار دوبل، روند خطی، روند تابع ترکیبی و روند نمایی پیش بینی مورد نظر انجام شد، سپس نتایج این روش ها هم با نتایج حاصل از روش شبکه های عصبی فازی با استفاده از شش معیار اندازه گیری خطای پیش بینی مقایسه گردید و این نتیجه به دست آمده که در همه معیارها، روش شبکه های عصبی فازی نسبت به سایر روش ها برتری دارد و میزان تطابق داده ها (ضریب2R) مربوط به شبکه های عصبی- فازی90 درصد است. داده های استفاده شده در این تحقیق مربوط به سال های 1970- 2005 میلادی کشورهای صادر کننده نفت (اوپک) بوده است.

پیش بینی تقاضای انرژی بخش حمل و نقل با استفاده از شبکه های عصبی: مطالعه موردی در ایران

دوره 14، شماره 2، شهریور 1389، صفحه 203-220

محمدباقر منهاج؛ عالیه کاظمی؛ حامد شکوری گنجوی؛ محمدرضا مهرگان؛ محمدرضا تقی زاده

چکیده در این مقاله با استفاده از شبکه های عصبی مصنوعی و با در نظر گرفتن شاخص های اقتصادی و اجتماعی، تقاضای انرژی بخش حمل و نقل کشور در سال های 1386 تا 1400 پیش بینی شده است. از شبکه های عصبی رو به جلو با ناظر برای پیش بینی و از الگوریتم پس انتشار برای آموزش شبکه ها استفاده شده است. برای بررسی تأثیر شاخص های اقتصادی و اجتماعی بر تقاضای انرژی بخش حمل و نقل، داده های مربوط به تولید ناخالص داخلی، جمعیت و تعداد خودرو طی سال های 1347 تا 1385 به کار گرفته شده است. نتایج حاصل از پیش بینی با این روش در مقایسه با روش رگرسیون چندمتغیره، نشان دهنده خطای به مراتب کمتری است،؛ به طوری که درصد میانگین قدرمطلق خطا 6% کاهش یافت. / 15 % به 05 / از 52