بررسی دقیق ساختار اصلی سری زمانی نقش مهمی در افزایش دقت پیشبینی مدل ARIMA دارد. هدف این تحقیق بررسی تاثیر جداسازی مدلسازی بخش خطی و غیرخطی سری زمانی در نتایج مدل ARIMA است. تفکیک مدلسازی سریهای عملکرد محصول گندم و ذرت دانهای (استانهای کرمانشاه و اصفهان) در بخش خطی چکیده کامل
بررسی دقیق ساختار اصلی سری زمانی نقش مهمی در افزایش دقت پیشبینی مدل ARIMA دارد. هدف این تحقیق بررسی تاثیر جداسازی مدلسازی بخش خطی و غیرخطی سری زمانی در نتایج مدل ARIMA است. تفکیک مدلسازی سریهای عملکرد محصول گندم و ذرت دانهای (استانهای کرمانشاه و اصفهان) در بخش خطی مربوط به مدل ARIMA بود و در بخش غیرخطی با رگرسیون بردار پشتیبان انجام گرفت(مدل هیبرید). نتایج مدلسازی میتواند تحت تاثیر نوع ترکیب مورد استفاده بخش غیر خطی در مدل هیبرید تغییر یابد، بهعنوان نمونه در سری زمانی ذرت دانهای در استان کرمانشاه مقدار RMSE در ترکیبی فقط با باقیماندهها 52/1 و در ترکیبی با سری زمانی 03/15 برآورد شد. در سری زمانی گندم در استان اصفهان با مدل هیبرید میزان کاهش آمارههای RMSE،MAE و UII بهترتیب برابر با 94/45، 29/52 و 46 درصد بود که بیانگر بهبود نتایج با مدل هیبرید و تفکیک مدلسازی بخش خطی و غیرخطی سری زمانی است. مقادیر GMER در هر چهار سری زمانی بزرگتر از یک بودند که حاکی از بیشبرآورد مقادیر پیشبینی شده مدل هیبرید میباشد. مقایسه متوسط مقادیر آمارهها در دو استان حاکی از تاثیر نوع اقلیم در مبحث مدلسازی است چرا که متوسط مقادیر هر آماره در هر دو مدل ( ARIMA و هیبرید) و در هر دو محصول در استان اصفهان نسبت به کرمانشاه کاهش داشت (میزان کاهش RMSE و UII به ترتیب 72/24 و 24/12 درصد). بنابراین تفکیک مدلسازی بخش خطی و غیرخطی میتواند دقت نتایج مدل ARIMA را افزایش دهد.
پرونده مقاله
خشکسالی یکی از مهمترین بلایای طبیعی است که اثرات مخرب و زیانباری در زمینههای مختلف اقتصادی، اجتماعی و زیستمحیطی بهجای میگذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سالها پس از وقوع میتواند در منطقه باقی بمان چکیده کامل
خشکسالی یکی از مهمترین بلایای طبیعی است که اثرات مخرب و زیانباری در زمینههای مختلف اقتصادی، اجتماعی و زیستمحیطی بهجای میگذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سالها پس از وقوع میتواند در منطقه باقی بماند. اکثر بحرانهای طبیعی از قبیل سیل، زلزله، طوفان و رانش زمین در دورهای کوتاه ممکن است خسارات سنگین مالی و جانی به جامعه وارد کنند، اما خشکسالی ماهیت آرام و خزشی دارد و آثار مخرب آن بهتدریج و در مدت طولانیتری ظاهر میشود. ازاینرو با مدلسازی خشکسالی میتوان طرحهایی جهت آمادهسازی در مقابل خشکسالی و کاهش خسارات ناشی از آن ارائه کرد. در این پژوهش از الگوریتمهای هوش محاسباتی شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron)، شبکه عصبی رگرسیونی تعمیمیافته (Generalized Regression Neural Network)، رگرسیون بردار پشتیبان با کرنل گوسین (Support Vector Regression) و رگرسیون بردار پشتیبان با کرنل پیشنهادی (Support Vector Regression New kernel) جهت مدلسازی خشکسالی با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتایج مدلسازیها در اغلب حالات بیانگر کارایی بهتر مدل پیشنهادی SVR_N نسبت به دیگر مدلها بود که در SPI 48 ماهه بهترین دقت مدلسازی حاصل گردید و مقدار RMSE و R2 به ترتیب برابر 093/0 و 991/0 به دست آمد. همچنین مدلهای GRNN، MLP و SVR به ترتیب بعد از SVR_N کارایی بهتری در مدلسازی از خود نشان دادند. نتایج این تحقیق بیانگر اهمیت انتخاب و بهینهسازی کرنل بر رفتار مدلسازی پدیده خشکسالی در مدلسازی به روش رگرسیون بردار پشتیبان است.
پرونده مقاله
این مطالعه به منظور توسعه سیستمهای کنترل چراغ راهنمایی با رویکرد تطبیقی جهت کنترل بهتر ترافیک در تقاطعات صورت گرفته است. در این رویکرد اگر از دادههای پیشبینی شده مربوط به سیکلهای آینده به منظور بهینهسازی زمانبندی استفاده گردد، باعث کنترل ترافیک در موارد پیشبینی چکیده کامل
این مطالعه به منظور توسعه سیستمهای کنترل چراغ راهنمایی با رویکرد تطبیقی جهت کنترل بهتر ترافیک در تقاطعات صورت گرفته است. در این رویکرد اگر از دادههای پیشبینی شده مربوط به سیکلهای آینده به منظور بهینهسازی زمانبندی استفاده گردد، باعث کنترل ترافیک در موارد پیشبینی نشده و مدیریت آن قبل از رسیدن به سیکل مورد نظر میشود. در این راستا از روش رگرسیون بردار پشتیبان به صورت خطی و غیرخطی برای پیشبینی پارامتر طول صف و حجم ورودی به یک رویکرد به عنوان دو متغیر اصلی مورد نیاز در فرآیند کنترل تطبیقی استفاده شد. برای داشتن داده کافی جهت ایجاد چنین مدلی به آماربرداری از دو تقاطع شهر یزد و شبیهسازی آنها در نرمافزار شبیهساز ایمسان پرداخته شد. سپس این تقاطعها برای شرایط موجود کالیبره و اعتبارسنجی گردیدند. نتایج دقت پیشبینی به روشهای پیشنهادی استخراج شده و با روش رگرسیون خطی مقایسه گردید. نتایج نشان دادند که رگرسیون بردار پشتیبان به صورت غیرخطی دارای عملکرد بهتری نسبت به هر دوی مدل پیشنهادی در حالت خطی و رگرسیون خطی است. دو روش رگرسیون بردار پشتیبان به صورت خطی و رگرسیون خطی عملکردی مشابه نشان دادند.
پرونده مقاله
در این پژوهش مدلی برای تحلیل و پیشبینی سری زمانی مالی نویزدار قیمت سهام با استفاده از تحلیل طیف تکین و رگرسیون بردار پشتیبان همراه با بهینهسازی ازدحام ذرات ارائه شده است. بدین صورت که سری زمانی قیمت بسته شده 140 سهم از شرکتهایی در صنایع مختلف در هر دقیقه در روز برای چکیده کامل
در این پژوهش مدلی برای تحلیل و پیشبینی سری زمانی مالی نویزدار قیمت سهام با استفاده از تحلیل طیف تکین و رگرسیون بردار پشتیبان همراه با بهینهسازی ازدحام ذرات ارائه شده است. بدین صورت که سری زمانی قیمت بسته شده 140 سهم از شرکتهایی در صنایع مختلف در هر دقیقه در روز برای دورهای از 28 اردیبهشت تا 11 خرداد برای سال های 1392 تا 1398 بصورت جداگانه از بورس اوراق بهادار تهران مورد بررسی قرار گرفت. همچنین عملکرد مدل پیشنهادی با عملکرد چهار مدل تبدیل موجک همراه با شبکه عصبی، فرآیند میانگین متحرک خود رگرسیون، رگرسیون چندجملهای و مدل نایو مقایسه شد. از میانگین خطای مطلق، میانگین درصد خطای مطلق، و میانگین ریشه مربعات خطا به عنوان معیارهای اصلی عملکرد استفاده گردید. نتایج نشان می دهد که عملکرد مدل ارائه شده برای تحلیل و پیشبینی سری زمانی مالی نویزدار بر اساس میانگین خطای مطلق، میانگین درصد خطای مطلق و میانگین ریشه مربعات خطا، بهتر از مدل های دیگر(شامل: تبدیل موجک، میانگین متحرک خود رگرسیون، رگرسیون چندجملهای، مدل نایو) است.
پرونده مقاله
هدف از بهینهسازی سبد سرمایهگذاری، انتخاب ترکیبی بهینه از داراییهای مالی است که میبایست راهنمای سرمایهگذاران برای دستیابی به بالاترین بازده در برابر کمترین ریسک ممکن باشد. از سوی دیگر، یکی از عوامل کلیدی در تصمیمگیریهای سبد سرمایهگذاری مربوط به پیش بینی قیمت سهام چکیده کامل
هدف از بهینهسازی سبد سرمایهگذاری، انتخاب ترکیبی بهینه از داراییهای مالی است که میبایست راهنمای سرمایهگذاران برای دستیابی به بالاترین بازده در برابر کمترین ریسک ممکن باشد. از سوی دیگر، یکی از عوامل کلیدی در تصمیمگیریهای سبد سرمایهگذاری مربوط به پیش بینی قیمت سهام است. برای این کار بطور متداول از مدلهای کلاسیک غیرخطی ریاضی و هوشمند مانند رگرسیون استفاده می شود. در مطالعه حاضر برای کاهش خطاهای پیشبینی، از مدل غیرخطی رگرسیون بردار پشتیبان با خروجیهای متعدد استفاده شده است. برای نشان دادن کارایی مدل پیشنهادی از دادههای شرکتهای شاخص S&P500 در دوره زمانی 12/09/2016 تا 02/08/2021 استفاده شده است. نتایج نشان میدهد که انتخاب سبد سهام مبتنی بر پیشبینی به کمک رگرسیون بردار پشتیبان با خروجی چندگانه به دلیل در نظر گرفتن روابط بین خروجیها به صورت همزمان از نظر معیار شارپ، عملکرد بهتری نسبت به انتخاب سبد سرمایهگذاری بر اساس پیشبینی با استفاده از روش رگرسیون دارد.
پرونده مقاله
این مطالعه با توجه به 22 ویژگی انتخاب شده (که در حین پژوهش بررسی میشوند) با روشهای یادگیری ماشین، نگهداری وجه نقد شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران را پیشبینی میکند. 201 شرکت از سال 1396 تا سال 1400 بررسی شد. رگرسیون خطی چندگانه ، کی-نزدیکترین همسایه، چکیده کامل
این مطالعه با توجه به 22 ویژگی انتخاب شده (که در حین پژوهش بررسی میشوند) با روشهای یادگیری ماشین، نگهداری وجه نقد شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران را پیشبینی میکند. 201 شرکت از سال 1396 تا سال 1400 بررسی شد. رگرسیون خطی چندگانه ، کی-نزدیکترین همسایه، رگرسیون بردار پشتیبان، درخت تصمیم، جنگل تصادفی، الگوریتم تقویت گرادیان شدید و شبکههای عصبی چندلایه برای پیشبینی استفاده میشود. نتایج نشان میدهد که روشهای رگرسیون خطی چندگانه ، کی-نزدیکترین همسایه خطای جذر میانگین مربعات و میانگین قدرمطلق خطا بالا را ارائه میدهند. در همین حال، الگوریتمهای پیچیدهتر، به خصوص رگرسیون بردار پشتیبان ، دقت بالاتری را به دست میآورند؛ یافتهها حاکی از آن بوده است که با کاهش به 15 متغیر، روشهای یادگیری ماشین به خصوص کی-نزدیکترین همسایه نتایج بهتری را ارائه دادند. بر مبنای آزمون مقایسه زوجی نیز رگرسیون بردار پشتیبان عملکرد بهتری از سایر الگوریتمهای یادگیری ماشین نظارت شده به جز درخت تصمیم دارد. همچنین مهمترین متغیرها نیز اندازه شرکت و مخارج سرمایهای به دست آمد. شاخص عدم قطعیت جهانی و تورم نیز از متغیرهایی با اهمیت نسبتاً بالایی بودند؛ بنابراین، با استفاده از الگوریتم رگرسیون بردار پشتیبان ، ممکن است میزان وجه نقد را به میزان قابلتوجهی پیشبینی کنیم.
پرونده مقاله
مقاله حاضر یک روش دومرحلهای قدرتمند برای تشخیص خسارت پلهای بزرگ دهانه با مقاطع متغیر ارائه مینماید. پلها یکی از زیرساختهای اساسی در حوزه حملونقل شهری و برون شهری بوده که تشخیص خسارت به موقع درطول بهرهبرداری آن حائز اهمیت میباشد. خسارت دراین دسته از سازهها سبب ا چکیده کامل
مقاله حاضر یک روش دومرحلهای قدرتمند برای تشخیص خسارت پلهای بزرگ دهانه با مقاطع متغیر ارائه مینماید. پلها یکی از زیرساختهای اساسی در حوزه حملونقل شهری و برون شهری بوده که تشخیص خسارت به موقع درطول بهرهبرداری آن حائز اهمیت میباشد. خسارت دراین دسته از سازهها سبب اختلال درخدمترسانی درزمان بروزبلایای طبیعیخواهد شد. روش ارائه شده بر مبنای ترکیب المان محدود طیفی و شاخص خسارت انرژی کرنشی مودال و همچنین ترکیب الگوریتم ژنتیک و رگرسیون بردار پشتیبان برای تشخیص وتخمین میزان شدتخسارت میباشد. یکی از روشهای کارآمد درحوزه انتشار امواج روش المان محدود طیفی بوده که از قابلیت مدلسازی با انعطافپذیری بالا و تشخیص خسارات ریز میباشد. روشهای مبتنی بر ارتعاش بطور گسترده برای تشخیص خسارت سازهها استفاده میگردد درحالیکه شاخص خسارت انرژی کرنشی مودال از حساسیت بالاتری در تشخیص خسارت در میان دیگر روشهای مبتنی برارتعاش برخوردار است. مدل مورد تحقیق، پلکروچایلد درغرب کانادا میباشد که دارای ویژگیهای خاصی از نظرهندسی و هم از مشخصات المانهای سازهای میباشد. در این تحقیق شاخص خسارت انرژی کرنشی مودال به علت تغییر مقطع در طول شاهتیرها اصلاح گردیده است. همچنین از رگرسیون بردار پشتیبان به عنوان یک تکنیک قدرتمند در تخمین میزان شدت خسارت استفاده شده است. جهت افزایش دقت و بهبود روش تخمین میزان شدت خسارات از الگوریتم ژنتیک برای بهینهسازی پارامترهای مؤثر رگرسیون بردار پشتیبان استفاده میگردد. روش ترکیبی الگوریتم ژنتیک و رگرسیون بردار پشتیبان توانسته است به نحو مطلوبی شدت خسارات را تخمین بزند.
پرونده مقاله
سکوی نشر دانش
سند یا سکوی نشر دانش ،سامانه ای جهت مدیریت حوزه علمی و پژوهشی نشریات دانشگاه آزاد می باشد