Abstract:
در این مطالعه کارایی روش ARIMA و شبکه عصبی خودرگرسیونی در پیش بینی قیمت خرده فروشی محصول گوجه فرنگی مقایسه شدند. داده های مورد استفاده شامل قیمتهای هفتگی خرده فروشی گوجه فرنگی طی سالهای 1388تا 1389 بوده که از سازمان میادین میوه و تره بار تهران گردآوری شد. نتایج مطالعه نشان داد که مدل غیرخطی شبکه عصبی خودرگرسیونی (NNAR) در پیش بینی قیمت خرده فروشی گوجه فرنگی دارای خطای پایین تر است و در نتیجه کاراتر از ARIMA عمل می کند.
Machine summary:
پیش بینی قیمت گوجه فرنگی: مقایسه روشهای تلفیقی شبکه عصبی - خودرگرسیونی و ARIMA ولی بریم نژاد 1 ، ملیحه بکشلو** تاریخ دریافت :٩٠/١١/٧ تاریخ پذیرش :٩١/٨/٢٤ چکیده در این مطالعه کـارایی روش ARIMA و شـبکه عصـبی خودرگرسـیونی در پـیش بینـی قیمت خرده فروشی محصول گوجه فرنگی مقایسه شدند.
نتـایج مطالعـه نشـان داد کـه مـدل غیرخطـی شـبکه عصـبی خودرگرسیونی (NNAR)در پیش بینی قیمت خرده فروشی گوجه فرنگی دارای خطای پایین تـر است و در نتیجه کاراتر از ARIMA عمل میکند.
هدف از این مطالعه مقایسـه روش خطـی ARIMA و روش غیـر خطـی تلفیقـی شـبکه عصبی -خودرگرسیونی به منظور انتخاب روشی است که کمترین خطا را در پیش بینی قیمـت محصول گوجه فرنگی نشان می دهد.
گفتنی است موفقیت شبکه های عصبی به عنوان ابزاری قدرتمندبه منظورتجزیه وتحلیل داده ها،موجب شده است تاتوجه اقتصاددانان بـه ایـن روش پیش بینی جلب شودودراواخر دهه ٨٠ میلادی مدلهای مختلفی جهت پـیش بینـی متغیرهـای اقتصادی ساخته شود (فهیمی فرد و همکاران ، ١٣٩٠).
(Forsgren&Kling, 2003) یکی از رهیافتهایی که برای ساخت مدلهای پویـای غیرخطـی بـا اسـتفاده از شـبکه هـای عصبی به کار میرود، اضافه کردن مدل AR به یـک مـدل شـبکۀعصـبی بـرای تشـکیل شـبکۀ عصبی خود رگرسیونی (NNAR) به صورت زیر می باشد: Ŷ(t)=f[y(t-1),y(t-2),…,y(t-ny)] که درآن f یک نگاشت انجام گرفته بوسیله شبکه عصبی میباشد(٢٠٠٠ ,Jain &Medsker ).
آنهادر یک مطالعه ، قیمـت گوجه فرنگی را با استفاده از مدل شبکه عصبی و الگوهای سری زمانی پیش بینی کردنـد و ایـن الگوها را با هم مورد مقایسه قرار دادند.
نتایج حاصل مؤید برتری شبکه هـای عصـبی مصـنوعی در پیش بینی قیمت محصول مورد مطالعه بر الگوهای سری زمانی است .