پیش بینی قیمت جهانی سنگ آهن با استفاده از شبکه های عصبی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
وابستگی دنیای امروز به فناوری ، نیاز بشر را به محصولات تولیدشده از سنگ آهن بیشتر می کند و پیش بینی ها حاکی از آن است که تا سال 2035 میزان تقاضای فولاد 60 درصد افزایش یابد (محمدی ، سلطانی محمدی و بخشنده امنیه 1392). به همین دلیل پیش بینی قیمت فلزات ازجمله سنگ آهن با استفاده از روش های کمی و کیفی نظیر مطالعه فنی اقتصادی بازار ،مطابقت زیادی با واقعیت نداشته است .یکی از روش های متداول بررسی قیمت ها، روش سری های زمانی است. در این پژوهش، با مدل سازی و استفاده از تحلیل سری زمانی به کمک شبکه عصبی پویا، به پیش بینی قیمت سنگ آهن پرداخته شده است. در ادامه، با به کارگیری روش شبکه عصبی مصنوعی و با توجه به قیمت ماهانه سنگ آهن و عوامل مؤثر بر نوسانات آن، قیمت سنگ آهن برآورد شده و سپس نتایج به دست آمده، ازنظر قابلیت پیش بینی مورد ارزیابی قرار گرفت. مدل شبکه عصبی بهینه با 3 لایه و 10 نرون قیمت سنگ آهن را با دقت بسیار مناسب برآورد کرده است. در این مدل مقدار خطای آموزش در حدود 7/1% و برای اعتبار سنجی برابر 3/2% و خطای آزمون 5/1% است. همچنین مقدار رگرسیون و همبستگی داده ها در سطح اعتماد 95% و مقدار همبستگی بالا با R2=0.98 نشان گر یک مدل خوب و با دقت مناسب است.Forecasting Global Iron Ore Prices Using Neural Networks
Today's world's dependence on technology increases human need for products produced from iron ore, and predictions indicate that steel demand will increase by 60 percent by 2035 (Mohammadi, Soltani Mohammadi, and Bakhshandeh Omnieh, 2013). For this reason, forecasting the price of metals, including iron ore, using quantitative and qualitative methods such as technical and economic market studies has not been very consistent with reality. One of the common methods of examining prices is the time series method. In this study, iron ore prices were predicted by modeling and using time series analysis with the help of a dynamic neural network. Next, the price of iron ore was estimated by using an artificial neural network method and considering the monthly price of iron ore and the factors affecting its fluctuations, and then the results obtained were evaluated in terms of predictability. The optimal neural network model with 3 layers and 10 neurons has estimated the price of iron ore with very good accuracy. In this model, the training error is about 1.7%, and for validation it is 2.3%, and the test error is 1.5%. Also, the regression and correlation values of the data at a confidence level of 95% and a high correlation value of R2=0.98 indicate a good model with good accuracy.
تبلیغات
