مطالب مرتبط با کلیدواژه

پیش بینی


۱۰۱.

بررسی شاخص های ناپایداری هنگام وقوع پدیده های آب و هوایی مخرّب در مشهد(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و مخاطرات محیطی بهار ۱۳۹۳ شماره ۹

کلیدواژه‌ها: پیش بینی مشهد رادیوسوند پدیده های مخرب دینامیک جو

حوزه‌های تخصصی:
تعداد بازدید : ۱۶۸۱ تعداد دانلود : ۷۰۰
از جمله مخاطرات محیطی مهم می توان به پدیده های آب و هوایی مخرّب اشاره کرد که سالانه خسارات مالی و جانی بسیاری به بار می آورند. برای پیش بینی و مقابله با آثار زیانبار این پدیده ها، علاوه بر روش های همدیدی معمول، بررسی ساختار ترمودینامیکی جو در لایه های مختلف و تحلیل شاخص های ناپایداری ضروری است. در پیش بینی های عملی هواشناسی، شاخص های بسیاری برای ارزیابی پایداری اتمسفر و پیش بینی ناپایداری به کار می رود. تلاش های کمی برای بررسی این شاخص ها در ایران انجام شده و برای کالیبره کردن و معرفی آستانه ها، کاری انجام نشده است. در این مطالعه، سعی شده جمع بندی کاملی از حدود و آستانهٔ شاخص های ناپایداری برای پیش بینی انواع پدیده های مخرّب تهیه شود. بدین منظور، دقت مجموعه ای از پارامترها و شاخص ها، به طور ویژه برای مشهد محاسبه و بررسی شده است که عبارت اند از: شاخص شوالتر، شاخص مجموع مجموع ها و فشار سطح تعادل، آب قابل بارش، عدد ریچاردسون، شاخص صعود LI، شاخص K، SWEAT، CAPE و CIN. پدیده های آب و هوایی مخرّبی که در طی سال های 1980 تا 2009 در ایستگاه مشهد رخ داده، استخراج و در سه دسته برق، توفان تندری، تگرگ، دسته بندی و استفاده شده اند. روزهایی که این معیارها را نداشته اند، در دسته ای به نام بدون ناپایداری قرار گرفته اند. برای محاسبه مقادیر شاخص ها، از داده های جو بالای حاصل از ارسال رادیوسوند در ایستگاه مشهد استفاده شده است. این داده ها نسبت به وجود یا عدم پدیده های مخرّب تحلیل، و نتایج این تحلیل ها بصورت نمودارهای باکس پلات و نقاط پراکنده برای نمایش بصری روابط و آستانه ها، در پدیده های مختلف ارائه شده است. درنهایت آستانه هر شاخص برای پیش بینی انواع پدیده ها در مشهد معرفی شده، و ترکیب شاخص صعود (LI) و انرژی پتانسیل در دسترس همرفتی (CAPE) و همچنین شاخص صعود و سطح تعادل، به عنوان بهترین شاخص های ترکیبی معرفی شدند.
۱۰۲.

پیش بینی سطح سازگاری نوجوانان بر اساس ویژگی های روان شناختی با استفاده از مدل های رگرسیون و شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: اندازه گیری تربیتی سال چهارم زمستان ۱۳۹۲ شماره ۱۴

کلیدواژه‌ها: سازگاری شبکه های عصبی مصنوعی پیش بینی رگرسیون ویژگی های روان شناختی

حوزه‌های تخصصی:
تعداد بازدید : ۹۷۶ تعداد دانلود : ۴۴۵
زمینه: پژوهش حاضر یک بررسی در رابطه با ویژگی های روان شناختی نوجوانان و سطوح سازگاری آنها می باشد. با توجه به مبانی نظری در مورد روابط متقابل بین این مفاهیم از یک مدل سنتی مبتنی بر همبستگی و یک مدل نوین مبتنی بر پردازش موازی داده ها استفاده شده است. هدف: هدف از پژوهش حاضر بررسی توانمندی هر یک از مدل های یاد شده در پیش بینی سطوح سازگاری از طریق اندازه های مربوط به ویژگی های روان شناختی نوجوانان است. روش: داده های اولیه مربوط به 18 ویژگی روان شناختی و 5 سطح سازگاری از طریق اجرای آزمون های CPI و AISS بر روی 456 دانش آموز پسر دبیرستانی شهر تهران به دست آمد. از مدل های همبستگی و تحلیل عاملی به منظور استخراج مؤلفه های اصلی، به عنوان عوامل پیش بینی کننده استفاده شد. بر این اساس یک ترکیب چهار عاملی از ویژگی های روان شناختی و پنج ویژگی مستقل به عنوان ترکیب بهینه در پیش بینی سطوح سازگاری با قابلیتی معادل ترکیب اولیه هجده عاملی شناسایی شدند. همچنین با توجه به انبوه عوامل اثرگذار و پیچیدگی های موجود در روابط میان آنها از مدل شبکه های عصبی مصنوعی نیز برای پیش بینی استفاده شد و توانمندی آن با مدل رگرسیون مورد مقایسه قرار گرفت. یافته ها: یافته ها نشان داد که مدل شبکه های عصبی مصنوعی در پیش بینی پنج سطح سازگاری توانمندتر از مدل رگرسیون می باشد و در صورت کاهش تعداد سطوح سازگاری به سه سطح، این قابلیت به نفع مدل رگرسیون تغییر می کند (0.001α<). بحث و نتیجه گیری: بر این اساس ویژگی های منحصر به فرد شبکه های عصبی مصنوعی نظیر پردازش موازی و تشخیص الگوهای ارتباط غیرخطی و پیچیده از طریق یادگیری و تجربه و قابلیت اختصاصی مدل رگرسیون در پیش بینی بر اساس اولویت بندی نقش هر یک از عوامل پیش بینی کننده از عوامل اصلی موفقیت هر یک از آنها تلقی می شود.
۱۰۳.

بکارگیری سیستم بهینه استنتاج فازی-عصبی تطبیقی به منظور پیش بینی کارایی پرسنل (مطالعه موردی)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های مدیریت در ایران دوره ۱۸ پاییز ۱۳۹۳ شماره ۳ (پیاپی ۸۵)

کلیدواژه‌ها: پیش بینی کارایی بهینه سازی مدل سازی سیستم بهینه استنتاج فازی - عصبی تطبیقی

حوزه‌های تخصصی:
تعداد بازدید : ۱۳۵۴ تعداد دانلود : ۷۰۱
ابهام و عدم قطعیت موجود در ماهیت و محدودیت شناختی ذهن انسان، همواره پیش بینی رفتار و مشخصات ناشناخته سیستم هایی که با انسان سروکار دارند را دشوار می سازد. درنتیجه، پیش بینی در این حوزه، نیازمند ساخت مدل هایی است که ابهام را به عنوان بخشی از سیستم درنظر گرفته و مدل سازی کند. هدف از این مقاله بهره-گیری از هوش مصنوعی و الگوریتم های بهینه سازی پیشرفته برای مدل سازی کارایی پرسنل است که در این بررسی از متغیرهای هوش هیجانی و ویژگی های فردی به عنوان ورودی و از سه بعد وظیفه شناسی، دقت در کار و سرعت در کار به عنوان خروجی مدل پیش بینی کارایی امدادگران وگازبانان شرکت گاز استفاده گردیده است. درنهایت، به منظور مدل سازی کارایی، با ترکیب الگوریتم ژنتیک و روش تجزیه مقادیر منفرد با سیستم استنتاج فازی عصبی، سیستم بهینه ی استنتاج عصبی-فازی تطبیقی بر اساس داده های واقعی بکار گرفته شد. این سیستم قادر است با وجود پیچیدگی و ناشناخته بودن رفتار در حوزه منابع انسانی، کارایی پرسنل را با حداقل خطای آموزش، حداقل خطای پیش بینی و حداکثر انطباق پذیری با کارایی واقعی پیش بینی نماید به طوری که بر اساس الگوریتم معرفی شده، درمورد 84% تا 96% از رکوردهای مورد بررسی، ابعاد کارایی دقیقا برابر با مقدار واقعی پیش بینی می شوند.
۱۰۴.

پیش بینی مولفه های یادگیری سازمانی ادراک شده بر اساس ابعاد جامعه پذیری سازمانی (مطالعه موردی کارکنان دانشگاه ارومیه)(مقاله علمی وزارت علوم)

نویسنده:
منبع: فرآیند مدیریت و توسعه دوره ۲۶ پاییز ۱۳۹۲ شماره ۳ (پیاپی ۸۵)

کلیدواژه‌ها: پیش بینی کارکنان یادگیری سازمانی دانشگاه ارومیه جامعه پذیری سازمانی

حوزه‌های تخصصی:
تعداد بازدید : ۱۵۲۳ تعداد دانلود : ۶۲۶
پژوهش حاضر با هدف پیش بینی مولفه یادگیری سازمانی بر اساس ابعاد جامعه پذیری سازمانی در میان کارکنان دانشگاه ارومیه انجام شده است. با استفاده از روش تحقیق توصیفی از نوع همبستگی، 200 نفر از کارکنان دانشگاه با توجه به دانشکده محل خدمت به صورت طبقه ای متناسب با حجم هر یک از دانشکده ها به طور تصادفی انتخاب شدند. برای گردآوری داده های پژوهش از دو پرسشنامه استاندارد جامعه پذیری سازمانی بر اساس مدل تائورمینا و یادگیری سازمانی بر اساس مدل نیف استفاده شد. برای سنجش میزان پایایی از ضریب آلفای کرونباخ در یک مطالعه مقدماتی روی یک نمونه 30 نفری، پرسشنامه جامعه پذیری سازمانی و یادگیری سازمانی به ترتیب ۹۲۱/۰ و ۸۷۷/۰ به دست آمد. داده های تحقیق پس از جمع آوری بر اساس فرضیه های پژوهش و با استفاده از تحلیل مانوا و رگرسیون چند گانه تحلیل شدند. نتایج پژوهش گویای آن بود که مولفه های دریافت آموزش، و تفاهم و حمایت کارکنان می توانند به طور مثبت و معنی دار ابعاد چشم انداز مشترک، فرهنگ یادگیری سازمانی، کار و یادگیری گروهی، اشتراک گذاشتن دانش و تفکر سیستمی را پیش بینی کنند.
۱۰۵.

ارزیابی پیش بینی خشکسالی شاخص عملکردگندم توسط داده های سنجش از راه دور در استان اصفهان(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی محیطی دوره ۲۵ زمستان ۱۳۹۳ شماره ۴ (پیاپی ۵۶)

کلیدواژه‌ها: اصفهان پیش بینی خشکسالی سنجش از راه دور شاخص عملکرد گندم SWAP

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۰۳۹ تعداد دانلود : ۴۵۷
به منظور پیش بینی خشکسالی در اراضی تحت کشت استان اصفهان، استفاده از مدل توسعه یافته فیزیکی آگروهیدرولوژیکی SWAP برای سال زراعی 1389-1390 مورد اجرا قرار گرفت. داده های ورودی مورد نیاز این سامانه شامل داده های دیده بانی و پیش بینی شده کوتاه مدت و بلند مدت دماهای حداکثر،حداقلو میانگین، سرعت باد درارتفاع2 متری، فشار بخار واقعی آب، باران و تابش به صورت روزانه درطی یک سال، رطوبت نسبیو نیز داده های خاکشناسی، نقشه های کاربری اراضی و ارتفاع و شاخص های گیاهی از تصاویر ماهواره ای است. با شبکه ای کردن مجموعه این داده ها، خروجی سامانه به صورت نقشه توزیع مکانی پیش بینی عملکرد تولید گندم، که به صورت دونقشه وزن خشک کل و وزن خشک دانه گندم تر سیم شده است،تهیه ونتایج آن با عملکرد واقعی محصول گندم در هشت شهرستان استان اصفهان مقایسه گردید.بررسی نتایج نشان می دهد که نسبت مقادیر پیش-بینی شده عملکرد تولید گندم به مقادیر واقعی در بازه1/78 تا 2/88 درصد است.براین اساسکاربر می تواند در فواصل زمانی مختلف قبل از برداشت با استفاده از مدل SWAPعملکرد تولید محصول گندم را پیش بینی نماید.
۱۰۶.

ارزیابی کارایی شبیه سازی جریان سطحی با استفاده از مدل بیلان آبی سالاس در حوزه های آبخیز استان کهگیلویه و بویراحمد(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و توسعه پاییز ۱۳۹۳ شماره ۳۶

کلیدواژه‌ها: پیش بینی مدل سازی بیلان آبی حوزه ی آبخیز SALAS مدل سالاس ماهانه

حوزه‌های تخصصی:
تعداد بازدید : ۱۷۸۷ تعداد دانلود : ۷۵۵
پژوهش حاضر با هدف ارزیابی کارایی مدل بیلان آبی سالاس سالانه و فصلی در ایستگاه های هیدرومتری استان کهگیلویه و بویراحمد که دارای طول دوره ی آماری مناسب بود برنامه ریزی شده است . بعد از انجام پالایش روی داده های هیدرومتری از کل 10 ایستگاه استان، 7 ایستگاه هیدرومتری دارای داده های بارش و دبی، با طول دوره ی آماری حداقل 20 سال انتخاب گردید. سپس پارامترهای هر مدل با انجام سعی و خطا و نظارت بر کمترین مقدار ریشه میانگین مربعات خطا (RMSE) و ضریب همبستگی بهینه گردیدند. ارزیابی عملکرد مدل با استفاده از معیارهای مختلف دقت سنجی همچون ضریب کارایی (CE)، ریشه مجذور مربعات (RMSE)، ضریب تبیین (R2) صورت گرفت. برای محاسبه ی معیارهای کارایی از مقادیر شبیه سازی شده توسط مدل سالاس و مقادیر اندازه گیری شده در ایستگاه های هیدرومتری استفاده شد. در مجموع نتایج مدل سازی نشان داد که مدل بیلان سالانه سالاس میزان دبی را بهتر از مدل فصلی برآورد کرده است.مدل سالاس فصلی در اکثر موارد میزان دبی را کمتر از میزان واقعی برآورد کرده است. ایستگاه های نازمکان، سیدآباد، پاتاوه و بطاری نسبت به ایستگاه های دیگر کارایی بهتری را ارائه داده اند و ایستگاه نازمکان (مقیاس سالانه 104= RMSE و 94/0=CE) و سیدآباد (مقیاس فصلی 93=RMSE و 88/0=CE) بهترین کارایی را داشتند در حالیکه ایستگاه زهره، کتا و بطاری نسبت به دیگر ایستگاه ها دقت پایین تری داشته اند. در مجموع می توان از مدل سالاس با توجه به سادگی آن، در حوزه های آبخیز فاقد ایستگاه هیدرومتری با شرایط اقلیمی و زمین شناسی مشابه و حوضه های دشتی کوچک و همگن، برای شبیه سازی دبی رودخانه استفاده کرد. در صورت ارائه در حوضه های برف گیر باید میزان بارش برفی و رواناب حاصل از آن نیز در مدل سازی لحاظ گردد تا علاوه بر دقت، مدل صحت بالایی نیز داشته باشد.
۱۰۷.

نوع شناختی تشابه و قابل پیش بینی بودن بحران مالی سال 1391 بر مبنای بحران های پیشین اقتصاد ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش ها و سیاست های اقتصادی سال بیست و دوم زمستان ۱۳۹۳ شماره ۷۲

کلیدواژه‌ها: اقتصاد ایران پیش بینی بحران مالی مدل LVQ

حوزه‌های تخصصی:
تعداد بازدید : ۱۱۵۹ تعداد دانلود : ۷۱۱
اقتصاد ایران طی سال های گذشته همواره با تلاطم های اقتصادی و مالی مواجه بوده است. این تلاطم ها در برهه های زمانی مشخص همانند سال 1391 به بحران های مالی در کشورتبدیل شده اند، اما پرسشی که مطرح است اینکه که آیا بحران مالی واقع شده در سال1391 مشابه بحران های پیشین اقتصاد ایران بوده و بحران مذکور صرفاً بر مبنای بحران های گذشته قابل پیش بینی بوده است. در تحقیق حاضر ابتدا از طریق بررسی مطالعات انجام شده در کشور پیرامون بحران های مالیسال های وقوع بحران مالی در اقتصاد ایران طی بازه زمانی (1391-1358) تعیین گردید. نتایج حاصل از بررسی تحلیل و جمع بندی مطالعات گذشته بیانگر وقوع 3 نوع بحران مالی شامل بحران پولی، ارزی و دوگانه طی سال های(1387-1359) در اقتصاد ایران می باشد، سپس به معرفی دوره های بحران مالی، ذکر تحولات اقتصادی دوره های مذکور و تبیین دلایل وقوع بحران پرداخته می شود، سپس داده های 10 متغیر کلان اقتصاد ایران برای دوره (1391-1358) استخراج می گردد.در ادامه با استفاده از داده های مقادیر متغیرهای کلان اقتصاد ایران در دوره (1387-1358) به عنوان داده های ورودی و داده های مربوط به وقوع یا عدم وقوع بحران و نوع آن در سال های دوره مذکور به عنوان داده های هدف مدل شبکه عصبی محاسبه بردارهای یادگیرنده(LVQ)جهت یادگیری الگوهای بحرانی و غیربحرانی(الگوهای رفتاری متغیرهای کلان اقتصادی در سال های بحرانی و غیربحرانی) در کنار فهم انواع الگوهای بحرانی(تشخیص نوع خاص بحران مالی واقع شده در یک سال بحرانی) آموزشداده شد. مدل آموزش دیده (مدل آموزش دیده بر اساس داده های دوره زمانی (1387-1358) را با استفاده از داده های متغیرهایکلان اقتصاد ایران در دوره (1391-1388) شبیه سازی نموده و بر مبنای نتایج حاصل از شبیه سازی مذکور به بررسیظرفیت بحران های مالی واقع شده در دوره زمانی (1387-1358)در تبیین و پیش بینی بروز بحران مالی در سال 1391 پرداخته می شود. نتایج حاصل از برآورد و شبیه سازی مدل تحقیق بیانگر این است که بحران مالی واقع شده در سال 1391 در اقتصاد ایران از الگویی متفاوت با الگوهای مربوط به انواع بحران های مالی که تاکنون در اقتصاد ایران رخ داده برخوردار بوده است.
۱۰۸.

مقایسه عملکرد الگوی ARIMA و MS-AR در پیش بینی ادوار(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدل سازی اقتصادی سال هفتم تابستان ۱۳۹۲ شماره ۲ (پیاپی ۲۲)

کلیدواژه‌ها: پیش بینی ادوار تجاری الگوی MS-AR الگوی ARIMA

حوزه‌های تخصصی:
تعداد بازدید : ۹۱۸ تعداد دانلود : ۶۲۳
تجربه نشان می دهد ادوار تجاری اجتناب ناپذیرند. به دلیل وابستگی تأثیرگذاری سیاست های اقتصادی به ادوار تجاری، اقتصاددانان همواره در صدد شناخت نحوه شکل گیری ، تأثیرگذاری و پیش بینی آن بوده اند. مقاله ی حاضر با نگاه کوتاهی به مفاهیم حوزه ی ادوار تجاری، الگوی خودهمبسته غیرخطی مبتنی بر زنجیره های مارکوف (MS-AR) را جهت تحلیل و پیش بینی ادوار تجاری ایران معرفی کرده و توانمندی آن را در مقایسه با الگوی خطی ARIMA می سنجد. بدین منظور از داده های سری زمانی فصلی تولید ناخالص داخلی (GDP) در دوره 1367:1 - 1389:4 برگرفته از سایت بانک مرکزی استفاده شده است. در هر کلاس، الگوهای مناسب برازش و پیش بینی هایی مبتنی بر روش پیش بینی غلتان ایجاد شده است. بر اساس معیارهای RMSE ، MAPE و TIC، نتایج نشان می دهد الگوی MS-AR نسبت به الگوی ARIMA عملکرد بهتری در پیش بینی ادوار تجاری ایران دارد.
۱۰۹.

مقاله به زبان انگلیسی: تحلیل های R/S و DFA تعدیل یافته برای آزمون کارایی بازار ارز خارجی تحت دو نظام ارزی: یک مطالعه موردی برای ایران (Modified R/S and DFA Analyses of Foreign Exchange Market Efficiency under Two Exchange Rate Regimes: A Case Study of Iran)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های اقتصادی ایران سال هجدهم زمستان ۱۳۹۲ شماره ۵۷

کلیدواژه‌ها: پیش بینی حافظه بلندمدت مقیاس بندی تحلیل دامنه مقیاس تحلیل نوسان روند زدایی شده سری زمانی نرخ ارز ریال/دلار داده های با بسامد بالا

حوزه‌های تخصصی:
تعداد بازدید : ۹۶۱ تعداد دانلود : ۵۱۷
بر اساس فرضیه بازار کارا، پیش بینی بازارهای مالی غیر ممکن است. هدف مقاله حاضر، آزمون شکل ضعیف کارایی بازار ارز ایران(ریال/دلار) از طریق بررسی حافظه بلندمدت بازار طی دوره زمانی 27/3/1389-5/11/1377 است. برای این منظور، سه روش تحلیل مقیاس بندی شامل تحلیل های دامنه مقیاس کلاسیکی (R/S)، دامنه مقیاس تعدیل یافته (M-R/S) و نوسان روند زدایی شده (DFA) استفاده شده است. دوره ی زمانی مورد مطالعه به دو زیر دوره ی 1/1/1381-5/11/1377 و 27/3/1389-1/1/1381 تفکیک شده است. در زیر دوره ی اول، ایران دارای نظام نرخ ارز ثابت بوده و در زیر دوره ی دوم، ایران از نظام نرخ ارز شناور مدیریت شده تبعیت کرده است. نتایج حاصله از این روش ها یکسان نیست. برای رسیدن به نتایج صریح و روشن، از دو آزمون اقتصاد سنجی پرکاربرد یعنی آزمون دیکی- فولر تعمیم یافته(ADF) و آزمون فیلیپس-پرون(PP) برای پاسخ دادن به این سئوال استفاده شده است که آیا سری های زمانی مورد بررسی از گام تصادفی که سازگار با کارایی ضعیف است، پیروی می کنند یا خیر. بر اساس یافته های تحقیق حاضر، نتیجه حاصل از روش DFA با رهیافت اقتصاد سنجی سازگار است. همچنین، یافته های این تحقیق نشان می دهد بازار ارز خارجی ایران در اولین زیر دوره در مقایسه با زیر دوره دوم، کارایی کمتری دارد. دیگر نتیجه مهم این است که اتکا به یک روش برای بررسی کارایی بازار ممکن است گمراه کننده باشد. بنابراین، ابتدا باید روش های قابل اعتمادتری انتخاب گردد و سپس، نتایج این روش ها برای رسیدن به نتیجه قابل اتکاء مقایسه شوند.
۱۱۰.

بررسی و پیش بینی عملکرد شبکه بانکی ایران با استفاده از مدل های Kohonen، ANN و Panel data(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد پولی، مالی سال چهارم پاییز و زمستان ۱۳۹۳ شماره ۲ (پیاپی ۸)

کلیدواژه‌ها: پیش بینی C53 عملکرد شبکه بانکی مدل Panel Data مدل Kohonen مدل ANN طبقه بندی JEL: C23 C45 G21

حوزه‌های تخصصی:
تعداد بازدید : ۹۹۳ تعداد دانلود : ۶۰۶
در این مطالعه به بررسی و پیش بینی مقایسه ای عملکرد شبکه بانکی کشور (متشکل از 14 بانک) با مدل های اقتصادسنجی و شبکه عصبی مصنوعی پرداخته شد. برای این منظور در ابتدا با مدل شبکه عصبی کوهنن (Kohonen)، بانک های مورد بررسی به دو دسته با عملکرد بالا و با عملکرد پایین تقسیم شده است، سپس با استفاده از خروجی مدل شبکه عصبی کوهنن، نسبت های مالی و مدل اقتصادسنجی داده های تابلویی (Panel Data) به تخمین مدل عملکرد شبکه بانکی برای دوره 1389-1384پرداخته و در نهایت با به کارگیری معیارهای ارزیابی کارایی مدل ها، به مقایسه کارایی مدل های Panel Data و ANN در پیش بینی عملکرد شبکه بانکی پرداخته شد. نتایج مدل کوهنن نشان داد که از 14 بانک مورد مطالعه، 4 بانک به گروه با عملکرد بالا و 10 بانک به گروه با عملکرد پایین اختصاص دارد. هم چنین نتایج مدل Panel Data نشان داد که متغیر نسبت نقد به سپرده کل دارای بیشترین و متغیر نسبت درآمد سرمایه ای به درآمد کل دارای کمترین تاثیر بر عملکرد شبکه بانکی می باشد. در نهایت بررسی مقایسه ای مدل ها نشان داد که مدل ANN برای پیش بینی عملکرد شبکه بانکی بر مدل Panel Data برتری دارد.
۱۱۱.

پایش خشکسالی و ارزیابی امکان پیش بینی آن در استان اردبیل با استفاده از شاخص SPI و مدل ANFIS(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات جغرافیایی سال سی ام بهار ۱۳۹۴ شماره ۱ (پیاپی ۱۱۶)

کلیدواژه‌ها: پیش بینی خشکسالی شاخص SPI استان اردبیل ANFIS

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی سنجش از راه دور GIS
  3. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۳۱۵ تعداد دانلود : ۶۲۳
خشکسالی به عنوان یک پدیده اقلیمی به شدت بر همه جوانب فعالیت های بشری تاثیر می گذارد. با این حال مطالعات انجام شده در رابطه با این پدیده بر اساس روش های مناسب بسیار کم می باشد. بررسی ویژگی های خشکسالی و پیش بینی آن می تواند در کاهش خسارات حاصل از آن موثر باشد. از این رو در این تحقیق به بررسی خشکسالی و ارزیابی امکان پیش بینی آن برای ایستگاه هایی از استان اردبیل پرداخته می شود. داده های مورد استفاده این تحقیق مقدار بارندگی به صورت ماهانه در دوره آماری 23 ساله می باشد. شاخص بارندگی استاندارد شده در مقیاس های زمانی 1، 3، 6 و 12 ماهه برای بررسی ویژگی خشکسالی و مدل سیستم استنتاج عصبی - فازی تطبیقی برای پیش بینی خشکسالی مورد استفاده قرار می گیرد. بر اساس نتایج حاصل از این پژوهش شدیدترین خشکسالی در استان اردبیل در ایستگاه شهرستان اردبیل در مقیاس زمانی 6 ماهه، در ماه دسامبر سال 2010 با مقدار شاخص 47/2- رخ داده است. در مجموع بیشترین درصد وقوع خشکسالی در ایستگاه پارس آباد و کمترین آن در ایستگاه خلخال مشاهده می شود. به جز ایستگاه پارس آباد در مقیاس زمانی 3 و 6 ماهه، روند خطی شاخص SPI کاهشی است، به عبارتی خشکسالی روند افزایشی دارد. بر اساس تحلیل خوشه ای انجام شده ایستگاه خلخال و اردبیل در هر چهار مقیاس زمانی در یک گروه قرار گرفته اند بنابراین ویژگی خشکسالی در آنها مشابه هم است و ایستگاه پارس آباد در گروه دیگر قرار دارد. نتایج حاصل از پیش بینی شاخص با مدل انفیس نشان داد که در اکثر موارد خطای پیش بینی قابل توجه بوده و مدل در این پیش بینی کارایی قابل قبولی ندارد.
۱۱۲.

بررسی گرد و غبار و ارزیابی امکان پیش بینی آن بر اساس روش های آماری و مدل ANFIS در ایستگاه زابل(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و توسعه بهار ۱۳۹۴ شماره ۳۸

کلیدواژه‌ها: پیش بینی بررسی آماری گرد و غبار مدل ANFIS ایستگاه زابل

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۱۰۷ تعداد دانلود : ۶۱۲
پدیده ی گرد و غبار یکی از زیان بارترین بلایای طبیعی است که مشکلات محیطی عدیده ای را در مناطق مختلف جهان به وجود می آورد. در ایران، منطقه ی زابل به شدت تحت تأثیر این پدیده قرار دارد. مطالعه ی حاضر، با هدف شناخت ویژگی های زمانی و بررسی امکان پیش بینی پدیده ی گرد و غبار در ایستگاه زابل، به عنوان گردوغباری ترین ایستگاه کشور صورت گرفته است. در این راستا ابتدا به تجزیه و تحلیل ویژگی های آماری داده های مربوط به فراوانی ماهانه، فصلی و سالانه ی روزهای توأم با گرد و غبار ایستگاه زابل با آمار 41 ساله پرداخته شد. از روش تجزیه ی روند سری های زمانی برای تبیین نوسانات زمانی عنصر مورد مطالعه استفاده شده و طبقه بندی ماهانه ی روزهای توأم با گرد و غبار با استفاده از روش آماری چند متغیّره ی تحلیل خوشه ای انجام گرفت. پیش بینی گرد و غبار با استفاده از روش سیستم استنتاج فازی- عصبی تطبیقی یا انفیس (ANFIS) با اختصاص70 درصد داده ها به آموزش و30 درصد آن ها به تعیین اعتبار مدل انجام شد. نتایج نشان داد در طول دوره ی آماری مورد مطالعه ی ماه جولای و آگوست گرد و غباری ترین ماه های سال می باشند. بر اساس تحلیل خوشه ای انجام شده، ماه های جولای و آگوست با بیشترین روزهای گرد و غباری در یک خوشه ی مجزا قرار گرفته اند. روند سری ماهانه، فصلی و سالانه ی گرد و غبار در این ایستگاه، افزایشی می باشد. نتایج پیش بینی گرد و غبار با مدل انفیس، نشان از قابلیت بالای آن در پیش بینی گرد و غبار در این ایستگاه می باشد. ساختار سیستم استنتاج فازی (FIS) تعیین شده با چهار تابع عضویت به شکل قوسی با روش آموزش هیبرید، با اطمینان حدود 93 درصد گرد و غبار ایستگاه زابل را پیش بینی می کند
۱۱۳.

بررسی تغییرات زمانی و مکانی بارش های نیسان و پیش بینی آن در استان آذربایجان-شرقی(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی بهار ۱۳۹۴ شماره ۵۱

کلیدواژه‌ها: پیش بینی آذربایجان شرقی روند مدل ARMA من-کندال بارش های نیسان

حوزه‌های تخصصی:
تعداد بازدید : ۱۵۲۰ تعداد دانلود : ۶۲۰
در تحقیق حاضر به بررسی بارش های نیسان استان آذربایجانشرقی در طول دوره آماری 1359 تا 1391 پرداخته شد. ابتدا تغییرات روند بارندگی های نیسان استان با استفاده از آزمون های ناپارامتری من-کندال و تخمین گر شیب Sen که جزو متداول ترین روش های ناپارامتری به شمار می روند، تجزیه و تحلیل شد. سپس برای پیش بینی تغییرات بارش های نیسان طی سال های آتی از مدل سری های زمانی ARMA استفاده گردید. نتایج مطالعات نشان داد که بر اساس آزمون های ناپارامتریک، سری زمانی بارش های نیسانی در دوره مورد مطالعه به جز ایستگاه آذرشهر در بقیه ایستگاه ها فاقد روند می باشد. پس از بررسی الگوهای مختلف مدل ARMA، مدل محاسباتی مناسب در هر ایستگاه بر اساس معیار آگاهی آکائیک انتخاب و بارش های نیسان استان آذربایجان شرقی برای 10 سال آینده پیش بینی گردید. در این مطالعه صحت و دقت مدل ها توسط آزمون نرمال بودن مانده های مدل و مجذور اختلاف مربعات ریشه تأیید گردید
۱۱۴.

ارزیابی عملکرد شبکه عصبی مصنوعی در پیش بینی خشکسالی هواشناسی در شمال غرب ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات کاربردی علوم جغرافیایی سال پانزدهم بهار ۱۳۹۴ شماره ۳۶

کلیدواژه‌ها: پیش بینی شبکه عصبی مصنوعی خشکسالی شمال غرب ایران

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۰۱۷ تعداد دانلود : ۴۹۱
خشکسالی یکی از مخرب ترین بلایای طبیعی در جوامع بشری محسوب می شود که می تواند تاثیرات جبران ناپذیر کشاورزی، زیست محیطی، اجتماعی و اقتصادی به همراه داشته باشد. بنابراین آگاهی از وقوع خشکسالی می تواند در کاهش خسارات موثر باشد. در این پژوهش، به منظور مدلسازی و شبیه سازی شدت خشکسالی در طول یک دوره آماری 37 ساله (1350- 1386) در 21 ایستگاه بارانسنجی واقع در ناحیه نیمه خشک سرد شمال غربی ایران از شبکه عصبی مصنوعی بهره گرفته شد. داده های ورودی به شبکه شامل میانگین بارش سالیانه و نیز شاخص دهک بارش سالیانه برای تمامی ایستگاه ها بوده که 80% داده ها برای آموزش شبکه (1350-1379) و20% باقیمانده برای تست و اعتبار سنجی شبکه (1380-1386) انتخاب گردید. سپس عمل پیش بینی خشکسالی توسط الگوریتم آموزش دیده شده توسط شبکه عصبی مصنوعی و بدون استفاده از داده های واقعی و مشاهداتی، برای سال های 1387 تا 1391صورت گرفت. معماری مطلوب شبکه به صورت مدل پرسپترون با سه لایه پنهان، الگوی پس انتشار خطا و تابع محرک سیگموئید به همراه 10 نرون در لایه میانی انتخاب گردید. نتایج حاصله نشان داد که شبکه عصبی مصنوعی به خوبی قادر به پیش بینی روابط غیر خطی بارش و خشکسالی بوده بطوریکه با همبستگی بیشتر از 97% و خطای کمتر از 5% مقادیر شاخص دهک بارش را پیش بینی نموده و نتایج حاصل از این پیش بینی بطور زیادی منطبق با مقادیر واقعی می باشد. از این رو با استفاده از این روش می توان وضعیت خشکسالی را در سال های آتی پیش بینی کرده و در مدیریت و بهره وری منابع آب و نیز مدیریت خشکسالی و تغییرات اقلیمی از این روش بهره جست.
۱۱۵.

پیش بینی سرما و یخبندان های دیررس بهارة حوضة زاب با استفاده از مدل پرسپترون چندلایه(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و توسعه ناحیه ای سال دوازدهم پاییز و زمستان ۱۳۹۳ شماره ۲۳

کلیدواژه‌ها: پیش بینی زاب دمای حداقل سرمای دیررس شبکه های مصنوعی

حوزه‌های تخصصی:
تعداد بازدید : ۹۲۳ تعداد دانلود : ۴۹۳
هدف: هدف از این پژوهش، پیش بینی دماهای حداقل به عنوان یکی از عناصر مهم اقلیمی در پیش بینی سرمای دیررس بهاره و یخبندان است. روش: از شبکه های عصبی مصنوعی برای پیش بینی دماهای حداقل ایستگاه های پیرانشهر و سردشت استفاده شده است. بدین منظور، از دورة آماری 18 ساله (1391-1374) ایستگاه سینوپتیک پیرانشهر- سردشت و توابع و امکانات موجود در نرم افزار MATLAB برای آموزش و آزمون این مدل ها بهره گرفته شد. سپس، به بررسی شاخص های عملکرد شبکه، ازجمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، درصد نسبی خطا و ضریب همبستگی پرداخته شد. یافته ها: علاوه بر تأیید توانایی شبکه های عصبی مصنوعی، یافته ها نشان داد که حداکثر خطای این مدل با داده های واقعی در ایستگاه های پیرانشهر و سردشت، به ترتیب 35/0 و 15/0 درجة سانتی گراد است که توانایی قابل توجه این مدل را در مدل سازی پیش بینی سرمای دیررس بهاره و یخبندان نشان می دهد. نتیجه گیری: استفاده از روش شبکه های عصبی مصنوعی در پیش بینی دماهای حداقل برای تعیین سرمای دیررس بهاره با توجه به تعیین خطای آموزشی، می تواند به عنوان گزینه ای سودمند موردتوجه و بررسی قرار گیرد.
۱۱۶.

کاربرد الگوریتم ژنتیک در انتخاب بهترین سناریو برای پیش بینی تقاضای انرژی مصرفی بخش خانگی - تجاری در ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: انرژی ایران دوره هجدهم تابستان ۱۳۹۴ شماره ۲ (پیاپی ۵۴)

کلیدواژه‌ها: تقاضای انرژی پیش بینی الگوریتم ژنتیک بخش خانگی تجاری

حوزه‌های تخصصی:
تعداد بازدید : ۱۳۴۶ تعداد دانلود : ۱۰۳۳
توسعه مدل های پیش بینی انرژی یکی از مراحل مهم در برنامه ریزی های کلان برای تامین پایدار انرژی در راستای توسعه اقتصادی و رفاه اجتماعی است و همواره مورد توجه سیاستگذران و تحلیلگران انرژی بوده است. بخش خانگی- تجاری بزرگترین مصرف کننده انرژی در ایران است و پیش بینی تقاضای این بخش از اهمیت بالایی برخوردار است. در تحقیق حاضر با استفاده از از توابع خطی و نمایی و با ضرایب بدست آمده از الگوریتم ژنتیک به پیش بینی تقاضای انرژی بخش خانگی – تجاری ایران پرداخته شده است. 54 سناریوی مختلف با ورودی های متفاوت مورد بررسی قرار گرفته و از داده های مربوط به سال های 1346 تا 1389 برای توسعه مدل ها و انتخاب سناریوی مناسب استفاده شده است. نتایج نشان داد مدل نمایی با ورودی های ارزش افزوده کل منهای بخش نفت، ارزش ساختمان های ساخته شده، تعدا کل خانوار و شاخص قیمت مصرف انرژی مناسب ترین مدل است. با استفاده از سناریوی انتخابی تقاضای انرژی بخش خانگی-تجاری تا سال 1410 پیش بینی شده است. نتایج نشان می دهد تقاضای انرژی این بخش در سال 1410 به حدود 1180 میلیون بشکه معادل نفت خام می رسد.
۱۱۷.

پیش بینی مالیات بر ارزش افزوده ناشی از مصرف دخانیات در ایران با استفاده از روش شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات مدل سازی اقتصادی تابستان ۱۳۹۴ شماره ۲۰

کلیدواژه‌ها: پیش بینی مالیات بر ارزش افزوده مصرف سیگار الگوریتم پس انتشار روش شبکه عصبی

حوزه‌های تخصصی:
تعداد بازدید : ۱۱۲۴ تعداد دانلود : ۶۹۹
در این مقاله، پیش بینی درآمد حاصل از این منبع مالیاتی با استفاده از رویکرد مبتنی بر برآورد پایه مالیاتی مدنظر قرار گرفته است. بدین نحو که در مرحله اول، پایه مالیات (مخارج مصرفی سیگار) برای دوره 1391 الی 1394 پیش بینی و سپس مالیات این سال ها با اعمال نرخ های مالیاتی، محاسبه خواهد شد. در این راستا از آنجا که یکی از دغدغه های سیاستگذاران دسترسی به پیش بینی های دقیق از درآمدهای مالیاتی است، از روش شبکه های عصبی با ناظر برای پیش بینی و برای آموزش شبکه ها از الگوریتم پس انتشار استفاده شده است. نتایج بیانگر آن است که درآمد مالیات بر ارزش افزوده ناشی از مصرف سیگار در سال های مورد پیش بینی، به طور متوسط از رشد سالانه 20 درصد برخوردار خواهد شد.
۱۱۸.

تحلیل آماری و برآورد فاصله اطمینان پیش بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMA: مطالعه موردی مصرف ماهانه گاز طبیعی در بخش خانگی ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات مدل سازی اقتصادی تابستان ۱۳۹۴ شماره ۲۰

کلیدواژه‌ها: پیش بینی گاز طبیعی شبکه های عصبی بوت استرپ الگوریتم PSO

حوزه‌های تخصصی:
تعداد بازدید : ۱۶۰۵ تعداد دانلود : ۱۱۲۰
مصرف گاز طبیعی به عنوان یکی از مهم ترین حامل های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش بینی روند آتی آن می باشد. با معرفی و کاربرد گسترده مدل های مختلف همچون شبکه های عصبی مصنوعی جهت برآورد روند آتی مصرف و از طرفی تصادفی بودن آن ها، آگاهی از دقت این مدل ها جهت نیل به هدف پیش بینی دقیق تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به کارگیری شبکه های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده ترین بخش مصرف کننده، به مقایسه دقیق تر این پیش بینی ها با استفاده از باز نمونه گیری از نمونه ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن ها با استفاده از روش «10-fold» حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با استفاده از باز نمونه گیری با جایگذاری از داده های اردیبهشت ماه 1381 تا اسفندماه 1388 به تعداد 2000 بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال های 1389 و 1390 توسط آن ها پیش بینی و فاصله اطمینان 95 درصدی برای پیش بینی ها محاسبه شد. نتایج بررسی معنی داری اختلاف پیش بینی مدل ترکیبی شبکه عصبی با مدل ARIMA و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه ها بود.
۱۱۹.

پیش بینی نقدینگی موردنیاز دستگاه های خودپرداز با استفاده از مدل خطی(ARIMA) و غیرخطی (شبکه های عصبی)(مقاله علمی وزارت علوم)

نویسنده:
منبع: سیاست های راهبردی و کلان سال دوم زمستان ۱۳۹۳ شماره ۸

کلیدواژه‌ها: پیش بینی دستگاه خودپرداز شبکه های عصبی آریما بانک مهر اقتصاد

حوزه‌های تخصصی:
تعداد بازدید : ۹۹۹ تعداد دانلود : ۵۸۸
هدف این مطالعه پیش بینی نقدینگی مورد نیاز دستگاه های خودپرداز با استفاده از دو مدل خطی و غیرخطی است. تامین منابع مالی در دستگاه های خودپرداز، از این نظر اهمیت دارد که لازمه فعال نگه داشتن خودپرداز در ارائه وجه نقد به متقاضیان و تامین اسکناس در دستگاه می باشد. نتایج چنین تحلیل هایی این امکان را ارائه می دهد که بتوان پیش بینی لازم برای تامین منابع مالی خودپرداز را بصورت هوشمند انجام داده و آن را در ساعات اوج تقاضا فعال نگه داشت. نمونه آماری پژوهش شامل 7 دستگاه خودپرداز بانک مهر اقتصاد خراسان رضوی طی سال های 1386-1389 بوده است. در این پژوهش تعیین میزان برداشت وجه نقد از دستگاه خودپرداز با استفاده از روش غیرخطی شبکه های عصبی مصنوعی با ساختار پروسپترون چند لایه و الگوریتم پس انتشار خطا و روش خطی ARIMA بررسی شده است تا مدل بهینه انتخاب شود. تقاضای برداشت وجه نقد از تاریخ 4/1386 تا 7/1389 (40 ماه) به عنوان داده های آموزش و از داده های آبان 1389 تا پایان 1389 به عنوان داده های آزمایشی در نظر گرفته شده است. نتایج به دست آمده نشان دهنده برتری مدل شبکه های عصبی مصنوعی نسبت به مدل ARIMA در پیش بینی وجه نقد مورد نیاز دستگاه خودپرداز بانک مهر اقتصاد می باشد.
۱۲۰.

استفاده از رهیافت های شبکه های عصبی مصنوعی و سری زمانی در پیش بینی میزان مصرف انرژی الکتریکی در بخش کشاورزی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات اقتصاد کشاورزی جلد ۴ بهار ۱۳۹۱ شماره ۱ (پیاپی ۱۳)

کلیدواژه‌ها: بخش کشاورزی پیش بینی شبکه عصبی مصنوعی مصرف انرژی

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد کشاورزی تکنولوژی کشاورزی،خدمات توسعه ای
  2. حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد انرژی انرژی برق پیش بینی تقاضا،مدیریت تقاضا
تعداد بازدید : ۱۰۷۶ تعداد دانلود : ۴۸۵
هدف اصلی این مطالعه پیش بینی میزان مصرف انرژی الکتریکی در بخش کشاورزی است. برای این منظور از روش های سری زمانی خود توضیح جمعی میانگین متحرک(ARIMA) و شبکه ی عصبی مصنوعی استفاده شد. به منظور انجام بررسی، از داده های سالانه ی دوره ی 1346 تا 1383 برای برآورد و آموزش مدل ها و از داده های دوره ی 1384 تا 1387 به منظور بررسی قدرت پیش بینی مدل های مختلف استفاده شد. در این مطالعه معیارهای ارزیابی مختلفی شامل میانگین قدرمطلق خطا(MAE)، میانگین مجذور خطا(MSE) و درصد میانگین مطلق خطا(MAPE) مورد استفاده قرار گرفتند. نتایج مطالعه نشان داد که شبکه ی عصبی پرسپترون سه لایه با روش آموزش الگوریتم پس انتشار دارای MAPE معادل 02/1 درصد می باشد که کمتر از مقدار این آماره برای مدل سری زمانی است(13/1 درصد). سایر معیارهای خطا نیز نتایج یکسانی دارند و بر این اساس شبکه ی عصبی قادر است میزان مصرف برق در بخش کشاورزی را بهتر از مدل ARIMA پیش بینی نماید. لذا پیشنهاد می شود وزرات نیرو جهت پیش بینی های آتی خود از این روش استفاده نماید.