آمار
| تعداد نشریات | 197 |
| تعداد شماره‌ها | 4,928 |
| تعداد مقالات | 53,964 |
| تعداد مشاهده مقاله | 90,038,114 |
| تعداد دریافت فایل اصل مقاله | 72,837,040 |
تحلیل سری های زمانی غیر خطی و شبکه عصبی مصنوعی بیزی در مدل سازی و پیش بینی رشد اقتصادی | ||
| Advances in Industrial Engineering | ||
| دوره 53، شماره 2، تابستان 2019، صفحه 595-608 اصل مقاله (1.01 MB) | ||
| نوع مقاله: Research Paper | ||
| شناسه دیجیتال (DOI): 10.22059/jieng.2019.231898.1362 | ||
| نویسندگان | ||
فریده سبحانی فرد1؛ محمد رضا شهرکی  2؛ محمد انیسه3
| ||
| 1دانشگاه سیستان و بلوچستان | ||
| 2مدیر گروه مهندسی صنابع- دانشگاه سیستان و بلوچستان | ||
| 3استادیار گروه مدیریت صنعتی، دانشگاه بین المللی امام خمینی | ||
| چکیده | ||
| پیش بینی صحیح رشد اقتصادی در سیاست گذاری ها و برنامه ریزی های بلند مدت توسعه ی پایدار نقش مهمی را ایفا می کند. یکی از مسائل مهم در پیش بینی سری های زمانی استفاده از روش هایی جهت شناسایی الگوهای زمانی با هدف کنترل پیچیدگی ها و بهینه سازی خطای حاصل از پیش بینی می باشد. در این تحقیق تحلیل سری های زمانی تولید ناخالص داخلی جهت پیش بینی مسیر حرکت رشد اقتصادی با استفاده از روش شبکه عصبی مصنوعی بیزی، برای انعطاف بیشتر مدل غیر خطی در برخورد با پیچیدگی-های مسئله و انطباق بیشتر با شرایط واقعی انجام خواهد گرفت. در ادامه با استفاده از ترکیب الگوریتم های فراابتکاری ژنتیک در آموزش شبکه به بهبود کارایی مدل در مقایسه با نتایج روش های قدیمی تر پرداخته می شود. در تخمین مدل از داده های دوره ی 1371 تا 1392 استفاده گردید و سپس کارایی آن برای داده های فصلی 1393 تا دو فصل اول 1395 با استفاده از معیار SSE و MSE بررسی گردید. نتایج نشان می‌دهد که اصلاح پیچیدگی های در آموزش شبکه نقش بسزایی در بهینه سازی خطای مدل خواهد داشت. | ||
| کلیدواژه‌ها | ||
| مدل سازی؛ پیش بینی؛ سری زمانی؛ شبکه عصبی بیزی؛ شبیه سازی زنجیره مارکوف مونت کارلو | ||
|
آمار تعداد مشاهده مقاله: 6 تعداد دریافت فایل اصل مقاله: 6 |
||
