پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,915,808 |
| تعداد دریافت فایل اصل مقاله | 89,595,537 |
Gold price forecasting using hybrid artificial neural networks with fuzzy regression model | ||
| Advances in Industrial Engineering | ||
| مقاله 4، دوره 44، شماره 1 - شماره پیاپی 326624، تیر 2010 اصل مقاله (282.67 K) | ||
| نویسندگان | ||
| Mehdi Khashei؛ Mehdi Bijari | ||
| چکیده | ||
| Artificial Neural Networks (ANNs) are flexible computing frameworks and universal approximators that can be applied to a wide range of time series forecasting problems with a high degree of accuracy. However, despite of all advantages cited for artificial neural networks, they have data limitation and need to the large amount of historical data in order to yield accurate results. Therefore, their performance in incomplete data situations is not satisfactory. Although, no definite rule exists for the requirement of the sample size for a given problem, the amount of data for the network training depends on the network structure, the training method, and the complexity of the particular problem or the amount of noise in the data on hand. However, collecting the necessary data is very expensive and time-consuming. Therefore, due to rapid changes in real situations and financial and economic systems, especially, forecasting in these environments is needed for methods that are also efficient with less available data. Since in fuzzy forecasting models, we use fuzzy numbers instead of crisp values, this method requires fewer observations and it is suitable under incomplete data conditions. However, their performance is not always satisfactory, especially, when the training data set includes a significant difference or outlying case. Using hybrid models or combining several models has become a common practice to improve the forecasting accuracy and the literature on this topic has expanded dramatically. In this paper, fuzzy regression models are applied to construct a new hybrid model of ANN in order to yield more accurate model than traditional neural networks; especially, for cases where inadequate historical data is available. In our proposed model, fuzzy numbers are used as parameters values of artificial neural networks (weights and biases), instead of using crisp values. In order to show the appropriateness and effectiveness of the proposed model for time series forecasting, the proposed model has been applied to gold price forecasting problem and their performance has been compared with their components. Empirical results indicate that the proposed model is an effective method in order to improve forecasting accuracy. Therefore, it can be applied as an appropriate alternative model for forecasting tasks, especially when higher forecasting accuracy is needed. | ||
| کلیدواژه‌ها | ||
| Artificial neural networks (ANNs)؛ fuzzy regression؛ Hybrid models؛ Time series forecasting | ||
| عنوان مقاله [English] | ||
| به کارگیری مدل ترکیبی شبکه‌های عصبی مصنوعی با رگرسیون فازی با هدف پیشبینی قیمت طلا | ||
| نویسندگان [English] | ||
| مهدی خاشعی؛ مهدی بیجاری | ||
| چکیده [English] | ||
| یکی از مشکلات مهم در پیشبینی با شبکه‌های عصبی مصنوعی، فراهم کردن داده‌های لازم برای پیشبینی است؛ چرا که شبکه‌های عصبی برای حصول نتایج دقیق نیاز به داده‌های زیادی دارند. اما باید توجه داشت که جمع‌آوری داده‌های مورد نیاز شبکه، نخست، بسیار هزینه‌بر است و دوم، مدت زمان طولانی را طلب می‌کند. بنابراین با توجه به تغییرات سریع در محیط‌های واقعی و به ویژه سیستم‌های اقتصادی و مالی، پیشبینی در این‌گونه محیط‌ها نیازمند روش‌هایی است که با تعداد داده‌های قابل حصول کم نیز کارآمد و کارا باشند. روش‌های پیشبینی فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایر روش‌های مشابه به داده‌های کمتری نیاز داشته، اما عملکرد آنها همیشه رضایت‌بخش نیست. در این مقاله برای بر طرف کردن محدودیت تعداد داده‌های مورد نیاز شبکه و حصول نتایج دقیق‌تر برای پیشبینی قیمت طلا، مدل ترکیبی شبکه‌های عصبی مصنوعی با رگرسیون فازی پیشنهاد شده است. نتایج تجربی بیانگر کارآمدی این روش در پیشبینی قیمت طلا است. | ||
| کلیدواژه‌ها [English] | ||
| پیشبینی سری‌های زمانی, رگرسیون فازی, شبکه‌های عصبی مصنوعی(ANNs), مدل‌های ترکیبی | ||
|
آمار تعداد مشاهده مقاله: 2,909 تعداد دریافت فایل اصل مقاله: 4,451 |
||