مبانی نظری و پیشینه تحقیق در مورد پیش بینی و مدل های پیش بینی

یکشنبه 1 اردیبهشت 1398 09:56 ب.ظنویسنده : اسماعیل بلبل نژاد

 
مبانی-نظری-و-پیشینه-تحقیق-در-مورد-پیش-بینی-و-مدل-های-پیش-بینی
مبانی نظری و پیشینه تحقیق در مورد پیش بینی و مدل های پیش بینی
فرمت فایل دانلودی: .zip
فرمت فایل اصلی: DOCX
تعداد صفحات: 42
حجم فایل: 199
قیمت: 18000 تومان

بخشی از متن:

مبانی نظری و پیشینه تحقیق در مورد پیش بینی و مدل های پیش بینی
تعداد صفحات : 42
فرمت : word (قابل ویرایش)
کاملترین و به روزترین در سطح اینترنت
دارای پیشینه داخلی و خارجی دارد.
دارای منابع فارسی و انگلیسی جدید
فاقد غلط املایی و نگارشی.
رفرنس دهی و پاورقی استاندارد.

پیش بینی و مدل­های پیش ­بینی

   تعریف پیش ­بینی

در یک تعریف کلی، فرایندپیشگویی شرایط و حوادث آینده را پیش­بینی نامیدهو چکونگی انجام این عمل را پیش­بینی کردننامیده می­شود (بوکوتا، 2002).

هر سازمانی جهت تصمیم­گیریآگاهانه باید قادر به پیش­بینی کردنباشد. از آنجایی که پیش­بینی وقایع آینده در فرآیندتصمیم­گیری در سازمان نقش عمده ای را ایفا می کند، پیش­بینی کردن برای بسیاری از سازمانها و نهادها حائز اهمیتبالقوه­ای است. بنابراین بیشتر تصمیمات مدیریت در تمام سطوح سازمان به طور مستقیمو یا غیر مستقیم به حالتی از پیش­بینی آیندهبستگی دارد.

در مدیریت استراتژیک، پیش­بینی شرایط عمومی اقتصاد،نوسانات قیمت و هزینه­ی تغییرات تکنولوژی، رشد بازار و امثال آن در ترسیم آیندهبلند­مدت شرکت موثر است. به همین دلیل است که کنترل هر فرایند، منوط به پیش­بینی رفتار دوره فرآیند در آیندهاست. برای مثال ممکن است که در یک دوره فرآیند دستگاهی بیش از حد معین کار کند وتعداد اقلام معیوب تولید شده افزایش یابد. بنابراین برای شناسایی به موقع این نقصباید از روش های مناسب پیش­بینیاستفاده 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 برایپردازش و تجزیه و تحلیل داده­ها مورد استفاده قرار می­گیرند مدل­های پیش­بینینامیده می­شوند. به عبارت دیگر، الگویی از یک واقعیت که ساده و کوچک شده و روابطبین 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 پیش­بینیدر کنار یکدیگر قرار گرفتند و الگویی از روابط را بوجود آوردند، یک مدل پیش­بینیشکل می­گیرد.

    سری ­های زمانی[1]

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

مدل­های خطی مانند مدل­هایباکس ـ جنکینز[2] و یکنواخت سازی نمایی برایسری­های زمانی خطی مناسب هستند، ولی در مدل­سازی سری­های زمانی مالی و غیر­خطی بامشکل مواجه می­شوند.

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

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

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

مدل باکس ـ جنکینز[3]

مدل باکس ـ جنکینز یا آریما[4] عبارتست از برازاندن یک الگویمیانگین متحرک[5] تلفیق شده با خود­رگرسیو[6] به مجموعه داده­ها و بدستآوردن 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

شبکه ­های عصبیمصنوعی

شبکه­های عصبی مصنوعی پدیده­ایجدید هستند که در بسیاری از علوم و مهندسی استفاده می­شود. ساختار این شبکه­ها بهصورتی است که از عملکرد سیستم اعصاب انسان تقلید می­کند و مشابه نرون­های عصبیانسان، داده­ها را دریافت، پردازش و منتقل می­کند. روش­های یادگیری و آموزشی کهبرای شبکه­های عصبی مصنوعی بکار می­رود بر اساس سیستم یادگیری و اعصاب انسان است ودر واقع کاملترین الگو برای ابداع روش­های یادگیری انسان است. شبکه­های عصبیمصنوعی برای اولین بار در سال 1965 میلادی توسط محققین علوم طبیعی معرفی گردید. درمدل بیولوژیکی که توسط آنها ارایه شد در هر نرون محاسبات ریاضی انجام می­شود و درحین آموزش شبکه، مقادیر وزن­های ارتباطی یا پارامترهای محاسباتی تغییر می­کنندبصورتی که نهایتا شبکه عصبی بتواند عمل مورد نظر را بطور صحیح انجام دهد.

در ادامه ابتدا شبکه عصبی و بهطور خاص شبکه عصبی پروسپترون چند لایه و کاربردهای آن و همچنین چگونگی آموزش آنتشریح می­شود.

ساختار کلی شبکه­های عصبی

در حالت کلی یک شبکه­عصبیساختاری مشابه با شکل 2-3 دارد. در این شکل هر گره نماینده یک سلول عصبیمصنوعی است. اطلاعات از طریق گره­های لایه ورودی به شبکه وارد می­شود. این ورودی­هااز طریق رابط­ها به گره­های لایه­های پنهان منتقل شده و بعد از پردازش از طریقلایه­های مختلف از گره­های لایه خروجی خارج می­شوند. یک شبکه عصبی مصنوعی، مجموعه­ایاز نرون­های[1] به هم متصل در لایه­های مختلفاست که اطلاعاتی را برای یکدیگر ارسال می­کنند. اولین لایه در سمت چپ در شکل لایهورودی است و لایه آخر نیز لایه خروجی نامیده می­شود. داده­ها در لایه ورودی واردمی­شود.

تمام لایه­های شبکه عصبی بهجزء لایه ورودی کار پردازش را انجام داده و در نهایت خروجی بدست می­آید.



[1]-Neuron


[1] -Time series

[2]-Box-Jenkins

[3] - Box & Jenkins

[4]- Autoregressive- IntegratedMoving Average

[5]- Moving Average

[6]- Autoregressive

[7]-Integrated Average

1.  آذر، عادل؛ افسر، امیر،(1385)، " مدل سازی پیش­بینیقیمت سهام با رویكرد شبكه­های عصبی فازی" ، فصلنامه پژوهشنامه بازرگانی ،40،67-93.

2.  آقایاری، زهره، (1385)،بررسی عوامل موثر بر جذب منابع استان تهران، پایان نامه کارشناسی ارشد، دانشگاهآزاد اسلامی، دانشکده مدیریت.

3.  احسان، قراچه احمدی، (1385)،"ارایه یک مدل شبکه عصبی برای پیش­بینیقیمت ماهانه نفت خام با در نظر گرفتن شوک­های نفتی" پایان نامه کارشناسیارشد، دانشگاه تربیت مدرس.

4.  البرزی، محمود ، (1380)، "آشنایی با شیكه‌هایعصبی"، انتشارات علمی دانشگاه صنعتی شریف.

5.  بهمند، محمد، بهمنیمحمود، (1374)، بانکداری داخلی 1 ، انتشارات موسسه بانکداری اسلامی.

6.  ابونوری اسماعیل، سپانلوهادی، (1384). "تجزیه و تحلیل آثار عوامل درون سازمانی بر جذبسپرده بانکی"، دانشوررفتاردانشگاه شاهد، 14، 48-63.

7.  بابایی النا، (1382)"بررسی عوامل موثر بر مانده سپرده­های بانک­های تجاری با تاکید بر سپرده­های بانکملی"، پژوهش نامه اقتصادی، 2، 32-57.

8.  پور كاظمی ، محمد حسین ،افسر ، امیر ، نهاوندی ، بیژن ، (1384)" مطالعه تطبیقی روش­های خطی ARIMA و غیر­خطی شبكه­هایعصبی فازی در پیش­بینی تقاضای اشتراكشهری"، مجله تحقیقات اقتصادی ،71، 52-75.

......................



دانلود فایلپرداخت با کلیه کارتهای عضو شتاب امکان پذیر است.

برچسب ها: مبانی نظری ، پیشینه تحقیق ، پیش بینی ، مدل های پیش بینی ،
آخرین ویرایش: یکشنبه 1 اردیبهشت 1398 09:58 ب.ظ

 

 
ساخت وبلاگ در میهن بلاگ

شبکه اجتماعی فارسی کلوب | ساخت وبلاگ صوتی صدالاگ | سوال و جواب و پاسخ | رسانه فروردین، تبلیغات اینترنتی، رپرتاژ، بنر، سئو | Buy Website Traffic