مطالب مرتبط با کلیدواژه

شبکه عصبی


۲۱.

کاربرد شبکه عصبی مبتنی بر الگوریتم ژنتیک در پیش بینی تقاضای بلندمدت انرژی

نویسنده:
منبع: پژوهش های اقتصادی کاربردی سال اول تابستان ۱۳۹۲ شماره ۲

کلیدواژه‌ها: انرژی پیش بینی شبکه عصبی تقاضا الگوریتم ژنتیک

حوزه‌های تخصصی:
تعداد بازدید : ۱۳۷۲ تعداد دانلود : ۷۷۰
پیش­بینی تقاضای انرژی جهت عرضه به موقع، تنظیم بازار، هدفگذاری میزان صادرات و ایجاد امنیت انرژی اهمیت ویژه­ای دارد. روش­های مختلفی برای پیش­بینی تقاضای انرژی معرفی شده است که در این بین با توجه به روند غیرخطی و پرنوسان تقاضای انرژی، تکنیک­های غیرخطی نتایج مطلوب­تری داشته است. شبکه­های عصبی و الگوریتم ژنتیک از مهمترین و پرکاربردترین تکنیک­های غیرخطی در این زمینه می­باشند که هر یک نقاط ضعف و قوت خاصی دارند. در این مطالعه با ترکیب شبکه عصبی و الگوریتم ژنتیک، نقایص مذکور مرتفع شده و با الگوریتم ترکیبی معرفی شده به پیش­بینی تقاضای انرژی در ایران پرداخته شده است. نتایج مطالعه در پیش­بینی تقاضای انرژی طی سال­های 1346 تا 1390 نشان دهنده قدرت پیش­بینی بالاتر تکنیک ترکیبی در کنار قدرت توضیح­دهندگی متغیرهای توضیحی بکار رفته است.
۲۲.

حل مسئله پوشش تدریجی چند معیاره با استفاده از شبیه سازی تبرید و شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های مدیریت در ایران (مدرس علوم انسانی) دوره هفدهم زمستان ۱۳۹۲ شماره ۴

کلیدواژه‌ها: شبکه عصبی الگوریتم شبیه سازی تبرید پوشش تدریجی

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات برنامه ریزی چند معیاره
  2. حوزه‌های تخصصی مدیریت مدیریت دانش و IT مدیریت دانش
تعداد بازدید : ۱۱۶۳ تعداد دانلود : ۶۵۱
در مسائل پوشش تدریجی افزایش فاصله از تسهیل ارائه دهنده سرویس در ناحیه پوشش، موجب کم شدن سطح پوشش دهی می گردد و اغلب محققین در مسایل مکان یابی تنها به عامل فاصله توجه می کنند، حال آنکه در دنیای واقعی معیارهای زیادی مثل جمعیت، دسترسی سریع و... وجود دارند که باید علاوه بر عامل فاصله در ارزیابی مکان یابی و تخصیص مورد توجه قرار گیرند، به عنوان مثال در مکان یابی تسهیلات اورژانسی نباید تنها به عامل فاصله توجه کرد. از طرفی با ازدیاد نقاط تقاضا و معیارها، ضمن افزایش زمان محاسبات، نرخ ناسازگاری در ارزیابی و امتیازدهی بین نقاط نیز افزایش می یابد. در این مقاله رویکرد ترکیبی شبکه عصبی و شبیه سازی تبرید برای حل مسئله پوشش تدریجی چند معیاره پیشنهاد شده است. زمانیکه تعداد نقاط کم هستند، امتیاز نقاط (اهمیت نقاط در اولویت تخصیص) در مسئله با استفاده از تحلیل سلسله مراتبی و با افزایش تعداد نقاط، پس از یافتن الگوی ذهنی تصمیم گیرندگان این امتیازها با روش شبکه عصبی محاسبه می-شود، البته کارایی الگوریتم شبکه عصبی در یافتن الگوی ذهنی با استفاده از آزمون رتبه علامت دار در این مقاله تایید شده است. در ادامه مسئله با استفاده از الگوریتم شبیه سازی تبرید حل می گردد که نتایج بررسی، حاکی از کارایی بالای الگوریتم پیشنهادی (کیفیت جواب وزمان حل) در مقایسه با روش دقیق است.
۲۳.

ارتباط صنعت توریسم و توسعه اقتصادی در ایران با رویکرد شبکه عصبی (1390-1359)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های رشد و توسعه اقتصادی سال چهارم بهار ۱۳۹۳ شماره ۱۴

کلیدواژه‌ها: پیش بینی شبکه عصبی صنعت گردشگری

حوزه‌های تخصصی:
تعداد بازدید : ۱۷۲۸ تعداد دانلود : ۸۲۴
گردشگری در بخش اقتصاد، شامل خدماتی است که تأثیر زیادی بر فعالیت های اقتصادی و اجتماعی دارد و شناخت این ارتباطات کمک قابل توجهی به تعامل بین توسعه پایدار و گردشگری خواهد کرد. در این مطالعه، ضمن بررسی وضعیت صنعت گردشگری در ایران، به مدلسازی تقاضای گردشگر در ایران با استفاده از روش شبکه عصبی پرداخته شده است. در مدل متغیرهای ورودی عبارتند از: تعداد گردشگر ورودی به ایران در طی سال های 1359 تا 1390، ارز حاصل از گردشگری در طی این سال ها و همچنین یک متغیر مجازی (عوامل سیاسی) که توسط محقق برای بررسی میزان تأثیر وجود جنگ در منطقه بر روی تقاضای گردشگر تعریف شده است. نتایج نشان می دهد که نرخ ارز بیشترین اهمیت را در مدل داشته و جنگ کمترین اهمیت را در میان عوامل مؤثر بر تقاضای گردشگر در ایران داشته است.
۲۴.

تحلیل عوامل موثر بر نوسان های قیمت طلا با استفاده از مدل های رگرسیون سوئیچینگ مارکف و شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد پولی، مالی سال سوم پاییز و زمستان ۱۳۹۲ شماره ۲ (پیاپی ۶)

کلیدواژه‌ها: شبکه عصبی قیمت نفت نوسانات قیمت طلا رگرسیون چرخشی سکه بهار آزادی

حوزه‌های تخصصی:
تعداد بازدید : ۲۲۶۶ تعداد دانلود : ۸۸۸
طلا یک کالای استراتژیک است و عوامل زیادی بر قیمت آن تاثیر می گذارد. از طرفی روش شبکه عصبی توانایی خاصی در برآورد روند و پیش بینی نوسانات قیمت طلا دارد و روش رگرسیون سوئیچینگ نیز توانایی در شناسایی شوک ها و سال های تغییر رژیم های نوسانات در سطح پر نوسان و کم نوسان دارد. این تحقیق به طور جداگانه بر بررسی هر یک و پیاده سازی این روش ها در داده های نوسانات قیمت طلا می پردازیم. روش تحقیق: در این پژوهش با شناسایی عوامل موثر بر نوسان های قیمت طلا برای دوره 1390-1359 الگوی متناسب با این نوسان ها مدل سازی می شود. برای مدل سازی از دو روش غیر خطی شبکه عصبی و مدل رگرسیون چرخشی مارکف استفاده شده است. هدف مدل سازی در این مطالعه مقایسه دو روش نیست بلکه با یاری جستن از دو مدل سعی در برازش بهتر و پیش بینی بهتر مدل ها می باشد. هر یک از این دو روش توانایی خاصی در قسمتی از فرآیند مدل سازی دارند. شبکه عصبی به کار گرفته شده در این پژوهش حاوی 2 لایه پنهان و رگرسیون چرخشی نیز دارای 2 رژیم می باشد. نتایج حاکی از آن است که روش شبکه عصبی به خوبی توانسته نوسانات قیمت طلا را پیش بینی کند و روش رگرسیون چرخشی سال های چرخش و شوک را شناسایی نموده و تشخیص داده شده که در ایران مدتی که بازار طلا در حالت کم نوسان است، بیشتر از حالت پر نوسان است. نتایج نشان می دهد از میان عوامل موثر بر قیمت طلا در مدل شبکه عصبی متغیر نرخ ارز و قیمت جهانی طلا بیشترین تاثیر را دارد و در مدل چرخشی مارکف متغیر قیمت نفت و پس از آن CPIدارای بالاترین اهمیت و درجه تاثیر گذاری بر قیمت طلا می باشد.
۲۵.

پیش بینی سطح عمومی قیمت ها و تورم در ایران با استفاده از شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سیاست های راهبردی و کلان سال اول زمستان ۱۳۹۲ شماره ۴

کلیدواژه‌ها: تورم شبکه عصبی شاخص قیمت شبکه پس انتشار خطا (BP) شبکه پایه شعاعی (RBF)

حوزه‌های تخصصی:
تعداد بازدید : ۱۲۷۲ تعداد دانلود : ۶۴۵
هدف این مقاله پیش بینی روند تورم و شاخص قیمت ها در اقتصاد ایران است. داده های این مقاله شامل تورم سالانه و داده های ماهانه شاخص قیمت مصرف کننده در ایران از سال 1340 تا 1392 می باشد. در این تحقیق برای پیش بینی تورم از شبکه عصبی مصنوعی استفاده شده است. برای پیش بینی تورم ماهانه از یک شبکه پس انتشار خطا(BP) با 15 نرون در لایه میانی و یک شبکه پایه شعاعی(RBF) با 10 نرون در لایه میانی استفاده شده است. همچنین برای پیش بینی ماهانه شاخص قیمت مصرف کننده از شبکه عصبی پس انتشار خطا با 5 نرون در لایه میانی اول و 15 نرون در لایه میانی دوم استفاده گردید. تابع انتقال لایه اول سیگموئید و تابع انتقال لایه دوم خطی است. همچنین از 70 درصد مشاهدات به منظور آموزش شبکه و از باقی مانده جهت تست شبکه استفاده شده است. ورودی های شبکه شاخص قیمت با یک و 12 وقفه و خروجی نیز شاخص قیمت مصرف کننده در دوره جاری بوده که برای پیش بینی شاخص قیمت مصرف کننده در 12 دوره بعد استفاده شده است. بر مبنای نتایج این مطالعه، انتظار بر آن است که بر مبنای رویکردBP ، انتظار بر آن است که تورم در سال 1393 به 3/27 کاهش یابد.
۲۶.

پهنه بندی زمین لغزش های حوضه ی رودخانه ی گیوی چای با استفاده از مدل پرسپترون چندلایه از نوع پیش خور پس انتشار (BP)(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و توسعه پاییز ۱۳۹۳ شماره ۳۶

کلیدواژه‌ها: شبکه عصبی زمین لغزش پهنه بندی پرسپترون چندلایه حوضه ی رودخانه گیوی چای

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی ژئومورفولوژی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۱۳۶ تعداد دانلود : ۶۱۹
زمین لغزش نشان دهنده ی فرایندهای مورفودینامیک است که در زمین های شیب دار رخ داده و به واحد های مسکونی، صنعتی، باغات و زمین های زراعی آسیب می رساند. در این تحقیق برای پهنه بندی زمین لغزش در حوضه ی رودخانه گیوی چای از مدل شبکه عصبی پرسپترون چند لایه از نوع پیش خور پس انتشار(BP)استفاده شد. جهت ارزیابی شبکه ی عصبی ایجاد شده، داده های 41 زمین لغزش رخ داده به سیستم ارائه شد. در کنار آن برای پردازش زمین لغزش ها در نرم افزار MATLAB،8 لایه متشکل از لایه های شیب، جهت شیب، DEM، لیتولوژی، فاصله از گسل، شبکه هیدروگرافی، کاربری اراضی و پراکنش زمین لغزش با استفاده از مطالعات میدانی، نقشه های توپوگرافی، نقشه های زمین شناسی و تصاویر ماهواره ای در نرم افزار Arc GISترسیم شد. این لایه ها جهت تغذیه به شبکه ی عصبی ایجاد شده و بر اساس بزرگترین مقدار موجود برای هر لایه نرمالیزه شده و در محدوده بین 1 و صفر قرار گرفتند. سپس داده های نرمالیزه شده به یک شبکه ی عصبی مصنوعی پرسپترون سه لایه پیش خور با الگوریتم پس انتشار خطا تغذیه گردید. داده های فوق ابتدا در شبکه آموزش دیده شد و سپس مورد آزمایش قرار گرفت. ساختار نهایی شبکه دارای 8 نرون در لایه ی ورودی، 20 نرون در لایه ی پنهان و 1 نرون در لایه ی خروجی می باشد. در این بین 80 درصد اطلاعات برای آموزش و 20 درصد باقیمانده برای آزمایش در نظر گرفته شد. در نهایت با توجه به وزن خروجی، نقشه ی پهنه بندی زمین لغزش در پنج رده با خطر خیلی زیاد، زیاد، متوسط، کم و خیلی کم ترسیم گردید. نتایج حاصل نشان داد که ساختار زمین شناسی شکل گرفته از آهک های کرتاسه و آندزیت های پرفیری و همچنین دسترسی به منابع رطوبتی بالا باعث شده که ارتفاعات شرقی کوه های بوغروداغ و آلاداغ در محدوده ی کوه های تالش از قابلیت بالایی در رخداد زمین لغزش برخوردار شوند.
۲۷.

پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در صنایع کشاورزی و نساجی شرکت های پذیرفته شده در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد کشاورزی دوره ۸ زمستان ۱۳۹۳ شماره ۴ (پیاپی ۳۲)

کلیدواژه‌ها: شبکه عصبی مدیریت سود درخت تصمیم گیری

حوزه‌های تخصصی:
تعداد بازدید : ۱۱۹۰ تعداد دانلود : ۶۵۳
امروزه روش های کمی، به یکی ازمهمترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاری های کلان دربازارها تبدیل شده اند. دقت پیش بینی، یکی ازمهم ترین فاکتورهای انتخاب روش پیش بینی است. هدف اصلی این تحقیق بررسی دقت پیش بینی مدیریت سود با استفاده ازشبکه های عصبی و درخت تصمیم گیری و مقایسه آن بامدل های خطی است. برای این منظورنه متغیر تأثیرگذار برمدیریت سود به عنوان متغیرهای مستقل واقلام تعهدی اختیاری، به عنوان متغیر وابسته مورد استفاده قرار گرفته است. در این تحقیق دو صنعت کشاورزی و نساجی ازسال 1385 تا سال1390مورد بررسی قرارگرفت. ازروش رگرسیون کمترین مربعات جهت مدل خطی واز شبکه عصبی پیشخور و درخت تصمیم گیریCart جهت بررسی ازطریق تکنیک های داده کاوی استفاده شد. نتایج حاصل ازاین تحقیق نشان دادکه روش شبکه عصبی و درخت تصمیم گیری درپیش بینی مدیریت سود نسبت به روش های خطی دقیق ترودارای سطح خطای کمتری است. در رابطه با ارتباط بین متغیرهای وابسته با متغیر مستقل نیز می توان گفت، مدیریت سود با متغیرهای اقلام تعهدی اختیاری دوره قبل(DAI)، اقلام تعهدی غیراختیاری دوره قبل یا آستانه عملکرد(THOD) وحساسیت در پرداخت بابت عملکرد (PPS)درروش های رگرسیون، شبکه عصبی، درختCart دارای بیشترین ارتباط است.
۲۸.

تخمین قیمت مسکن شهر اهواز با استفاده از شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد و مدیریت شهری سال سوم زمستان ۱۳۹۳ شماره ۹

کلیدواژه‌ها: مسکن شبکه عصبی شهر اهواز تخمین قیمت مدل پرسپترون چند لایه MATLAB.

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت دولتی مدیریت شهری اقتصاد شهری
  2. حوزه‌های تخصصی اقتصاد اقتصاد منطقه ای، شهری، روستایی
تعداد بازدید : ۱۲۵۲ تعداد دانلود : ۶۷۷
در بعد اقتصادی هر جامعه، مسکن همواره یک نیاز اساسی است. از این رو، تحولات بخش مسکن، تأثیر فراوانی بر سایر بخش های اقتصاد دارند؛ بنابراین یکی از نیازهای قابل توجه دولت ها در امر مسکن، پیش بینی دقیق قیمت مسکن و تعیین عوامل تأثیرگذار بر قیمت این کالا است. پژوهش حاضر، با هدف تخمین قیمت مسکن و تعیین عوامل تأثیرگذار بر آن در شهر اهواز، بررسی نسبتاً کاملی از عملکرد شبکه عصبی (مدل پرسپترون چند لایه) در پیش بینی قیمت مسکن انجام داده است. ماهیت تحقیق، توسعه ای-کاربردی و روش انجام آن، توصیفی- تحلیلی می باشد. در این پژوهش، 233 نمونه واحد آماری در سال 1392 براساس 16 متغیر مربوطه به منظور تخمین قیمت مسکن، مورد ارزیابی قرار گرفته است. از این رو برای ایجاد شبکه عصبی مصنوعی، از نرم افزار MATLAB بهره گرفته شد و در نهایت، شبکه ای با یک لایه پنهان و 12 نرون، استفاده شد. همچنین به منظور تعیین میزان تأثیرگذاری عوامل گوناگون بر قیمت این کالا، از روش رگرسیون خطی گام به گام، بهره گرفته شده است. نتایج به دست آمده، نشان دهنده دقت 91 درصدی شبکه عصبی در تخمین قیمت واحد مسکونی شهر اهواز است. همچنین از بین عوامل تأثیرگذار بر قیمت مسکن در این شهر، زیربنای ساختمان (متراژ) و دسترسی، بیشترین سهم را به خود اختصاص داده اند. با توجه به تأثیر بسزای شاخص متراژ زمین و دسترسی، لازم است در برنامه ریزی های ساخت و ساز مسکن، به این عوامل، بیش از سایر عوامل، اهمیت داده شود.
۲۹.

پیش بینی شاخص های تولید چغندرقند در ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد کشاورزی و توسعه سال بیست و سوم زمستان ۱۳۹۴ شماره ۹۲

کلیدواژه‌ها: ایران پیش بینی شبکه عصبی چغندرقند هارمونیک ARMA ARIMA ARCH تعدیل نمایی

حوزه‌های تخصصی:
تعداد بازدید : ۱۰۳۹ تعداد دانلود : ۴۴۶
هدف کلی مطالعه حاضر، پیش بینی شاخص های تولید چغندرقند(سطح زیر کشت، تولید و قیمت) در ایران است. برای این منظور الگوهای خودرگرسیون، تعدیل نمایی یگانه، تعدیل نمایی دوگانه، هارمونیک، شبکه عصبی و خودرگرس یون ب ا واری انس ناهمسانی شرطی برآورد و بهترین الگو انتخاب شد. بررسی آزمون تصادفی بودن (دوربین واتسون) سری های سطح زیرکشت، تولید و قیمت چغندرقند مبین غیرتصادفی متغیرها بود. براساس نتایج حاصل از محاسبه معیار کمترین خطای پیش بینی، مناسب ترین الگو برای پیش بینی سری های سطح زیرکشت، تولید و قیمت چغندرقند به ترتیب الگوهای شبکه عصبی، ARMA و ARIMA می باشند. لذا استفاده از روش های مذکور به شرط ثابت بودن شرایط، نتایجی با کمترین خطا به دست خواهد داد. نتایج همچنین نشان داد هر سه شاخص تولید چغندرقند(شامل: سطح زیر کشت، تولید و قیمت) طی دوره 1392 -99 روند افزایشی داشته با این ملاحظه که روند افزایشی سطح زیرکشت و تولید بسیار ملایم تر از روند افزایشی قیمت چغندرقند بوده است. طبقه بندی JEL: Q11,D12,C32,C22
۳۰.

تحلیل حساسیت پاراهای موثر بر میزان تبخیر روزانه با استفاده از الگوریتم Garson و شبکه عصبی مصنوعی (مطالعه موردی: شهر تبریز)(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی زمستان ۱۳۹۴ شماره ۵۴

کلیدواژه‌ها: شبکه عصبی تحلیل حساسیت تبخیر شهر تبریز الگوریتم گارسن

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۵۳۶ تعداد دانلود : ۳۰۷
پژوهش حاضر با هدف تحلیل حساسیت پاراهای موثر بر میزان تبخیر به ارزیابی پاراهای هواشناسی روزانه شامل میانگین دما، رطوبت نسبی، سرعت باد، ساعات آفتابی، میزان تشعشع و فشار سطح ایستگاه سینوپتیک تبریز در دوره آماری 5 ساله (1386 الی 1390) پرداخته است. به این منظور در ابتدا به کمک شبکه عصبی مصنوعی وزن دار، مدلی برای تخمین میزان تبخیر توسعه داده شد. سپس به کمک ماتریس وزنی حاصل از بهترین معماری شبکه، از الگوریتم گارسن برای تحلیل حساسیت و تعیین اهمیت نسبی پاراهای ورودی استفاده گردید. نتایج حاصل نشان داد که میانگین دما و رطوبت نسبی بیش ترین تأثیر و ساعات آفتابی، میزان تشعشع، سرعت بادو فشار سطح ایستگاه کین تأثیر را بر روی میزان تبخیر از تشت شهر تبریز دارد.
۳۱.

پیش بینی شاخص قیمت بورس سهام با استفاده از شبکه عصبی و تبدیل موجک(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت دارایی و تامین مالی سال سوم بهار ۱۳۹۴ شماره ۱ (پیاپی ۸)

کلیدواژه‌ها: شبکه عصبی تبدیل موجک نوفه زدایی آستانه

حوزه‌های تخصصی:
تعداد بازدید : ۱۱۶۷ تعداد دانلود : ۹۲۴
شاخص بازار سرمایه به عنوان دماسنج اقتصادی هر کشور می باشد. از این رو پیش بینی این متغییر جهت اخذ دید کلی از وضعیت اقتصادی و اخذ استراتژی های سرمایه گذاری، یکی از مسائل مهم به شمار می رود. از جمله روش های پیش بینی پرکاربرد در سری های زمانی مالی، شبکه عصبی می باشد که با توجه به جامعیت این روش و عدم وجود برخی از پیش فرض ها در خصوص داده ها، گسترش زیادی نسبت به روش های آماری یافته است. اما وجود نویز در سری های زمانی به خصوص در سری های زمانی مالی و اقتصادی باعث کاهش دقت پیش بینی شبکه عصبی می گردد. یکی از روش های نوفه زدایی در سری های زمانی، تبدیل موجک می باشد. این تحقیق به مقایسه بین دقت پیش بینی شاخص کل بورس اوراق بهادار تهران در دو مدل شبکه عصبی با استفاده از داده های نوفه زدایی شده با تبدیل موجک و شبکه عصبی با استفاده از داده های اولیه از ابتدای سال 1385 تا 31 خرداد 1392 می پردازد. نتایج حاکی از بهبود معنادار در پیش بینی شبکه عصبی با استفاده از داده های نوفه زدایی شده می باشد.
۳۲.

پیش بینی میزان درآمد حاصل از دریافت عوارض شهری شهرداری ها با استفاده از مدل شبکه عصبی (مطالعه موردی: شهر زابل)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش و برنامه ریزی شهری سال ششم زمستان ۱۳۹۴ شماره ۲۳

کلیدواژه‌ها: درآمد شبکه عصبی شهرداری زابل عوارض شهری

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
  2. حوزه‌های تخصصی جغرافیا جغرافیای انسانی جغرافیای شهری مدیریت شهری
تعداد بازدید : ۱۲۹۳ تعداد دانلود : ۵۶۰
اداره ﻣﻄﻠﻮب ﺷﻬﺮﻫﺎ و اراﺋﻪ ﺧﺪﻣﺎت ﻣﻨﺎﺳﺐ و ﮐﻨﺘﺮل و ﻫﺪاﯾﺖ ﭘﺮوژه ﻫﺎی ﻋﻤﺮاﻧﯽ، ﻋﻼوه ﺑﺮ اﻋﻤﺎل ﻣﺪﯾﺮﯾﺖ ﺻﺤﯿﺢ، ﻣﺴﺘﻠﺰم اﻋﺘﺒﺎرات و درآﻣﺪﻫﺎی ﮐﺎﻓﯽ و ﻫﺰﯾﻨﻪ ﺻﺤﯿﺢ آن ﻣﯽ ﺑﺎﺷﺪ عوارض از مهم ترین منابع بهینه شهرداری ها در کشورهای پیشرفته جهان است که بابت اداره شهر از درآمدها، اموال، دارایی و مصرف اشخاص حقیقی و حقوقی دریافت می گردد و صرف خدمات شهری می شود. شهرداری ها عمده هزینه های ارائه خدمات خود را از محل دریافت عوارض مختلف از شهروندان تامین می نمایند، در این راستا شهرداری ها به دنبال ایجاد منابع درآمدی پایدار هستند. اهمیت عوارض شهری تا بدان حد است که امروزه به عنوان یکی از درآمدهای شهرداری ها مورد توجه قرار می گیرد،که نقش محوری در جهت بالا بردن کیفیت زندگی در محیط های شهری و ارائه خدمات عمومی ایفا می کند. از آﻧﺠﺎ ﮐﻪ ﺑﺴﯿﺎری از ﻣﺸﮑﻼت ﺷﻬﺮﻫﺎی ﮐﺸﻮر رﯾﺸﻪ در ﻧﻈﺎم ﻣﺪﯾﺮﯾﺖ درآﻣﺪ و ﻫﺰﯾﻨﻪ آﻧﻬﺎ دارد بر این اساس، هدف از پژوهش حاضر پیش بینی میزان درآمد حاصل از عوارض پرداختی به شهرداری ها است که به صورت موردی شهر زابل مورد بررسی قرار می گیرد. روش به کار گرفته شده در این پژوهش مدل شبکه عصبی از نوع پیش خور (MFNN) با الگوریتم پس انتشار خطا (BP) است که داده ها در این مدل آموزش دیده اند تا در جهت پیش بینی میزان درآمد شهرداری زابل مورد استفاده قرار بگیرند. نتایج حاصل از پژوهش نشان می دهد که میزان عوارض دریافتی توسط شهرداری زابل روند رو به رشدی را در پی داشته و طبق پیش بینی انجام شده توسط مدل شبکه عصبیANN)) 6945416783میلیارد ریال شهرداری زابل در آذر ماه سال 92 از طریق دریافت عوارض درآمد کسب خواهد کرد.
۳۳.

تعیین علیت غیرخطی بین حمل ونقل زمینی شهری و غیرشهری و رشد اقتصادی با روش شبکه عصبی موجک (مطالعه موردی: ایران)(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد و مدیریت شهری سال چهارم بهار ۱۳۹۵ شماره ۱۴

کلیدواژه‌ها: رشد اقتصادی علیت شبکه عصبی حمل ونقل کشور ایران

حوزه‌های تخصصی:
تعداد بازدید : ۸۵۱ تعداد دانلود : ۶۰۴
در چند دهه اخیر، ارتباط بین زیرساخت های اقتصادی و به ویژه بخش حمل ونقل با رشد اقتصادی، موضوع مطالعه بسیاری از پژوهشگران در اقتصادهای مختلف بوده است. کشور ایران با توجه به موقعیت ویژه جغرافیایی، به لحاظ امکانات حمل ونقل، دارای مزایای بسیاری است و پل ارتباطی بسیاری از کشورها می باشد. در این مطالعه با استفاده از داده های فصلی طی دوره 91-1371، رابطه بین حمل ونقل زمینی، رشد اقتصادی، تشکیل سرمایه و نیروی کار، بررسی شد. اطلاعات موردنیاز، از آمارهای بانک مرکزی جمهوری اسلامی ایران و سالنامه های آماری مرکز آمار، استخراج شدند. مهم ترین تفاوت این مطالعه نسبت به سایر مطالعات پیشین، استفاده از روش شبکه عصبی موجک و رویکرد غیرخطی در تبیین ارتباط بین متغیرهای مورد بحث می باشد. نتایج آزمون رابطه علّیت بین متغیرها حاکی از وجود رابطه علّیت از حمل ونقل زمینی به رشد اقتصادی می باشند.
۳۴.

سنجش اعتماد و خوشنامی در شبکه های اجتماعی با رویکردهای داده کاوی

نویسنده:
منبع: پژوهش ملل دوره اول مرداد ۱۳۹۵ شماره ۸

کلیدواژه‌ها: شبکه عصبی شبکه های اجتماعی داده کاوی اعتماد اجتماعی

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی علوم اجتماعی ارتباطات مطالعات فضای مجازی، جهانی شدن و تکنولوژی های نوین ارتباطاتی مطالعات فضای مجازی
  2. حوزه‌های تخصصی علوم اجتماعی ارتباطات مطالعات فضای مجازی، جهانی شدن و تکنولوژی های نوین ارتباطاتی تکنولوژی های نوین ارتباطاتی
تعداد بازدید : ۱۰۰۹ تعداد دانلود : ۱۰۶۸
شبکه های اجتماعی مجموعه ای از روابط اجتماعی هستند، که اعتماد یکی از ویژگی های مهم آن روابط محسوب می-شود. بی اعتمادی زمینه ساز عدم همکاری و بی نظمی در جامعه می گردد. از اینرو هدف اصلی این پژوهش، بررسی عوامل موثر بر اعتماد و خوشنامی در شبکه های اجتماعی به وسیله داده کاوی می باشد. تولید و فرسایش اعتماد در ساختارهای شبکه های اجتماعی را می توان به وفور یافت. از آنجایی که تعامل های اجتماعی درون روابط اجتماعی رخ می دهند، چگونگی انتخاب طرف تعامل می تواند بر شکل گیری اعتماد تأثیرگذار باشد. جامعه آماری تحقیق شامل 200 نفر از دانشجویان دانشگاه آزاد واحد الکترونیکی که بین آنها پرسشنامه توزیع شده است، می باشد. این پرسشنامه برگرفته از مدل مایر و همکاران (1995) و میشرا (1996) می باشد. و از پرسشنامه اعتماد در فضای ارتباطی مجازی اُسورا و همکاران(2007) تهیه شده است. پس از تهیه، پرسشنامه در اختیار جامعه آماری قرار گرفته شد و پس از جمع آوری اطلاعات وارد برنامه کلمنتاین شده و در ادامه نتایج استخراج گردید.
۳۵.

پیش بینی بازده آتی بازار سهام با استفاده از مدل های آریما، شبکه عصبی و نویززدایی موجک(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت دارایی و تامین مالی سال دوم تابستان ۱۳۹۳ شماره ۲ (پیاپی ۵)

کلیدواژه‌ها: شبکه عصبی آریما پیش بینی برون نمونه ای شبکه عصبی موجکی نویززدایی

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات مدلسازی ریاضی
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری تئوریهای حسابداری بازده سهام
تعداد بازدید : ۹۰۵ تعداد دانلود : ۴۸۵
موضوع شناخت و بررسی رفتار قیمت سهام، همواره یکی از موضوع های مهم و مورد توجه محافل علمی و سرمایه گذاری بوده است. اخیراً تعداد زیادی از پژوهشگران در پژوهش های خود بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته اند. در این پژوهش، تلاش شده است با استفاده از تبدیل موجک و شبکه عصبی مدلی ارایه شود که پیش بینی دقیق تر و با خطای کمتری از بازده شاخص بورس اوراق بهادار داشته باشد. در این مدل ترکیبی، از خاصیت هموارسازی تبدیل موجک برای کاهش سطح نویز داده ها استفاده و سپس به وسیله شبکه عصبی پیش بینی شده است. مقایسه خطای پیش بینی مدل های آریما، شبکه عصبی و شبکه عصبی موجکی نشان می دهد که کاهش نویز عملکرد پیش-بینی بازده شاخص را بهبود می بخشد. به بیان بهتر، مدل شبکه عصبی موجکی (نویززدایی سیگنال) عملکردی بهتر از مدل های آریما و شبکه عصبی دارد. همچنین، مدل های شبکه عصبی قدرت پیش بینی کنندگی بهتری را نسبت به مدل های آریما نشان می دهد. مقادیر مربوط به آزمون دایبولد – ماریانو نیز این نتایج را تایید می نماید.
۳۶.

پیش بینی رفتار سرمایه گذاری شرکت های بورس اوراق بهادار تهران با استفاده از شبکه های عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت دارایی و تامین مالی سال دوم پاییز ۱۳۹۳ شماره ۳ (پیاپی ۶)

کلیدواژه‌ها: شبکه عصبی رفتار سرمایه گذاری شرکتی فراتلفیق

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات الگوهای کمی در تصمیم گیری
  2. حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری سرمایه گذاری
تعداد بازدید : ۹۴۲ تعداد دانلود : ۵۲۰
رفتار سرمایه گذاری شرکتی، فرایند پیچیده ای است که تحت تأثیر عوامل بسیاری قرار دارد. بر خلاف پژوهش های قبلی، پژوهش حاضر رویکردی جامع نگر دارد و با استفاده از روش فراتلفیق، ابتدا عوامل اثرگذار بر سرمایه گذاری شرکتی را شناسایی و آن ها را به عوامل مالی و بنیادی تفکیک کرده است. سپس، با استفاده از روش مدل سازی علی، روابط میان متغیرهای مدل سرمایه گذاری شرکتی، استخراج و در نهایت، مدل به وسیله شبکه عصبی آزمون شده است. در این پژوهش از داده های شرکت های موجود در بورس اوراق بهادار تهران در دوره 8 ساله منتهی به 29 اسفند 1390، استفاده شده است به نحوی که داده های 5 سال ابتدایی برای تأیید و یادگیری و 3 سال پایانی برای آزمون مدل، مورد استفاده قرار گرفته است. نتایج، مؤید توانایی بیش از 62 درصد مدل، در پیش بینی رفتار سرمایه گذاری شرکت ها در بورس اوراق بهادار تهران است.
۳۷.

مدل سازی توسعه شهری با استفاده از رویکردهای پیش پردازش آماری و مدل پرسپترون چند لایه (نمونه موردی: کلان شهر تهران)(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی محیطی دوره ۲۶ زمستان ۱۳۹۴ شماره ۴ (پیاپی ۶۰)

کلیدواژه‌ها: شبکه عصبی مدل سازی GIS توسعه شهری RS رگرسیون حداقل مربعات پیش پردازش آماری

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
  2. حوزه‌های تخصصی جغرافیا جغرافیای انسانی جغرافیای شهری جغرافیای توسعه
تعداد بازدید : ۹۵۲ تعداد دانلود : ۵۴۶
پایداری در توسعه شهری به علت سطوح بالای شهرنشینی تقریباً در کل بخش های جهان، به یک موضوع مهم تبدیل شده است. بنابراین برای رسیدن به توسعه پایدار شهری و همچنین تصمیم گیری بهتر برای جهت دهی توسعه در آینده، بازبینی دائمی فرآیندهای دینامیک شهری با توجه به توسعه در گذشته و پیش بینی آن در آینده، اجتناب ناپذیر است. هدف پژوهش حاضر، مدل سازی و پیش بینی توسعه کلان شهر تهران با استفاده از روش رگرسیون حداقل مربعات معمولی (OLS) و مدل شبکه عصبی مصنوعی (پرسپترون چندلایه (MLP)) با در نظر گرفتن دوره 11 ساله 1385_1374 است. برای این منظور ابتدا، معیارهای موثر در فرآیند توسعه شهری از سازمان های مربوط جمع آوری، آنالیز و آماده سازی شدند و نقشه های کاربری زمین برای سال های مورد نظر از تصاویر ماهواره لندست استخراج شد و با استفاده از داده های اتوکد سازمان نقشه برداری و نقشه های موجود بهبود داده شدند. سپس صحت سنجی نقشه ها و آشکارسازی تغییرات انجام شد. نتایج آشکارسازی تغییرات با ضریب کاپای 85/91% نشان می دهد که بیشترین افزایش مساحت در مناطق ساخته شده (38/5886 هکتار) و بیشترین کاهش مساحت در زمین باز (89/5328 هکتار) رخ داده است. بر مبنای این تغییرات و برای اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیش پردازشی روی این معیارها صورت گرفت. در مرحله بعد با در نظرگرفتن خروجی روش OLS، 11 متغیر مستقل بعنوان ورودی به مدل انتخاب شدند. سپس مدل سازی پتانسیل تبدیل کاربری برای سال 1396، با استفاده از روش MLP انجام شد و با روش زنجیره مارکف نقشه کاربری اراضی برای سال 1396 پیش بینی شد. در نهایت نتایج نشان داد که پیش بینی صورت گرفته نسبت به مطالعات گذشته به واقعیت های زمینی نزدیک تر است و بیشترین میزان توسعه در سال 1396 در بخش های شرقی، شمال غرب و غرب کلان شهر تهران رخ خواهد داد. 2- روش شناسی برای دستیابی به اهداف این مطالعه، ابتدا معیارهای موثر در فرآیند توسعه شهری از سازمان های مربوط جمع آوری، آنالیز و آماده سازی شدند. نقشه های کاربری زمین برای دوره مورد مطالعه (1385-1374) از تصاویر ماهواره لندست استخراج شد و با استفاده از داده اتوکد و نقشه های موجود بهبود داده شدند. سپس صحت سنجی نقشه ها و آشکارسازی تغییرات انجام گرفت و بر مبنای این تغییرات، به منظور اجتناب از روش سعی و خطا در انتخاب بهترین ترکیب معیارهای ورودی به مدل، با استفاده از روش OLS پیش پردازش روی این معیارها صورت گرفت. در مرحله بعد با در نظر گرفتن خروجی روش OLS، متغیرهای مستقل به عنوان ورودی به مدل انتخاب شدند. در نهایت، با استفاده از روش MLP مدل سازی پتانسیل تبدیل هر کاربری انجام گرفته و با به کارگیری روش زنجیره مارکوف نقشه کاربری اراضی برای سال 1396 پیش بینی شد.
۳۸.

برآورد یک سیستم چند متغیره تصادفی با استفاده از روش های داده کاوی (مطالعه موردی: وجه نقد مورد نیاز شعب بانک تجارت)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های اقتصادی ایران سال بیستم پاییز ۱۳۹۴ شماره ۶۴

کلیدواژه‌ها: خوشه بندی شبکه عصبی برآورد داده کاوی الگوی بانکداری

حوزه‌های تخصصی:
تعداد بازدید : ۶۲۱ تعداد دانلود : ۴۵۰
در حال حاضر، بانک ها به صورت روزانه با چالش کفایت وجه نقد جهت پاسخگویی به مشتریان و نیز عدم تمایل به افزایش هزینه های ناشی از نقل و انتقال مازاد وجه نقد شعبه مواجه هستند. به همین علت، موضوع برآورد مانده وجه نقد صندوق شعب -با توجه به عملیات روزانه آن- که به عنوان یک سامانه چند متغیره محسوب می شود، از موارد با اهمیت در حوزه بانکداری بشمار می آید. در این راستا، استفاده از روش های داده کاوی و به خصوص روش های خوشه بندی و شبکه عصبی می تواند به افزایش دقت برآورد پارامتر وجه نقد مورد نیاز شعب کمک کند. شبکه های عصبی از لحاظ انعطاف پذیری، غیرخطی بودن ، تحمل بیشتر نوفه ها و نیز وابسته نبودن به فرضیه های اولیه درباره داده های ورودی در این زمینه حائز اهمیت هستند. در این مقاله، 20 شعبه بانک تجارت در بازه زمانی 1/2/93 تا 31/6/93 با توجه به تنوع بین شعب از لحاظ درجه شعبه، نوع شعبه از لحاظ سپرده ای یا تسهیلاتی، تعداد دستگاه خودپرداز در شعبه، شعبه کشیک/ غیرکشیک در خوشه های متشابه دسته بندی شده، سپس با در نظر گرفتن نتایج حاصل از خوشه بندی و متغیرهای مرتبط با وجه نقد شعبه شامل متغیرهای تقویمی مانند روزهای هفته، روزهای پرداخت حقوق/ واریز یارانه/ واریز سود سپرده ها، روزهای تعطیل و مناسبت های رسمی و نیز متغیر میزان وجه نقد مصرفی دستگاه خودپرداز شعبه، ساختار مناسب شبکه عصبی برای برآورد وجه نقد شعب از طریق معیارهای خطا، تعیین شده و وجه نقد شعب در خوشه های مختلف برآورد می شود. نتایج تحقیق نشان می دهد شبکه عصبی با لحاظ نتایج خوشه بندی با میانگین قدر مطلق خطای 5 درصد می تواند عملکرد خوبی جهت برآورد وجه نقد شعب در خوشه های مختلف ارائه دهد.
۳۹.

پیش بینی تراز آب زیرزمینی حوضه آبریز شریف آباد قم با استفاده از مدل های موجک عصبی و برنامه ریزی ژنتیک(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات کاربردی علوم جغرافیایی سال شانزدهم پاییز ۱۳۹۵ شماره ۴۲

کلیدواژه‌ها: شبکه عصبی آنالیز موجک برنامه ریزی ژنتیک دشت شریف آباد تراز آب زیرزمینی

حوزه‌های تخصصی:
تعداد بازدید : ۸۸۳ تعداد دانلود : ۵۱۸
در این تحقیق پیش بینی تراز آب زیرزمینی حوضه آبریز شریف آباد استان قم با بهره گیری از برخی مدل های هوشمند می باشد. به این منظور از داده های ماهیانه تراز آب زیرزمینی در سه حلقه چاه مشاهده ای واقع در حوضه آبریز شریف آباد در مدل سازی ها استفاده شده است. جهت مقایسه نتایج حاصل از مدل های هیبرید آنالیز موجک-شبکه عصبی (WNN)، برنامه ریزی ژنتیک (GP)، رگرسیون خطی چند متغیره (MLR) و شبکه عصبی مصنوعی (ANN) از دو معیار ریشه خطای مربع متوسط (RMSE) و ضریب کارایی نش- ساتکلیف (E) استفاده شده است. نتایج تحقیق نشان داده است که مدل ترکیبی موجک-عصبی پیش بینی دقیقتری برای تراز آب زیرزمینی ماهانه نسبت به مدل های ANN، GP و MLR ارائه داده، به طوریکه ضریب نش در مدل ترکیبی برای پیزومترهای 1، 2 و 3 به ترتیب 98/0، 98/0 و 95/0 حاصل شده است.
۴۰.

استفاده از الگوریتم شبکه عصبی به منظور تهیه نقشه شوری سطح آب از تصاویر ماهواره ای MODIS(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره بیست و پنجم پاییز ۱۳۹۵ شماره ۹۹

کلیدواژه‌ها: شبکه عصبی سنجش از دور شوری MODIS داده های میدانیCTD

حوزه‌های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی جغرافیای آبها
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی سنجش از راه دور GIS
  3. حوزه‌های تخصصی جغرافیا فنون جغرافیایی روش های کمی در جغرافیا
تعداد بازدید : ۱۰۶۱ تعداد دانلود : ۶۶۲
شوری آب، یکی از عوامل مهم محیطی دریا محسوب می شود و نقش بسزایی در بررسی و پیش بینی جریان های سطحی اقیانوسی، تحلیل مکانیابی تجمیع ماهی ها، تعیین چگالی و بررسی تغییرات آن دارد. این پارامتر به شدت با تغییرزمان و مکان، در تغییر بوده و شناخت مناسب از آن مستلزم اندازه گیری هایی به فواصل زمانی کوتاه (ماهانه) در تعداد نقاط متعدد از منطقه ی مورد مطالعه است. در روش های سنتی، بررسی و ارزیابی یک یاچندفاکتور خاص موردنظر از کیفیت آب اغلب پرهزینه و زمانبراست و همچنین نمی تواند معرف خوبی برای تمام مساحت یک منطقه وسیع باشد. اما در سال های اخیر فناوری ماهواره ای و علم سنجش از دور به عنوان یک ابزار مناسب برای ارزیابی برخی پارامترهای کیفیت آب مطرح شده است زیرا با توجه به رقومی بودن این داده ها، در دسترس بودن وسیع آنها،اندازه گیری منظم، تکراری بودن آنها در پریودهای زمانی کوتاه، هزینه و زمان کمتر می توان طیف وسیعی از پروژه ها را به نتیجه رساند. هدف از انجام این مطالعه، تهیه نقشه شوری سطحی آب منطقه خلیج فارس در ایران و خلیج سنت لورنس در کانادا با استفاده از تصاویر ماهواره ایMODIS می باشد، که در این راستا نرم افزاری برای نخستین بار در ایران تولید شده است که می توان با پردازش های لازم بر روی تصاویر ماهواره ایMODIS وداده های میدانیCTD، نقشه دما، شوری و چگالی سطحی آب را با سه مدل متفاوت با دقت مناسب تهیه نمود.قابلیت و انعطاف بالای شبکه عصبی مصنوعی در تقریب توابع غیرخطی و خطی پیوسته در فضای ترکیبی باعث شد که در این مطالعه، یک روش جدید بر مبنای استفاده از این شبکه ارائه شود که در آن نقشه شوری توسط یک شبکه پرسپترون چندلایه تعیین می شود.