مقایسه توان پیش بینی مدل عصبی-فازی(ANFIS) با مدل های شبکه عصبی (ANN) و خودر گرسیونی ARIMA درتخمین قیمت صادراتی محصولات کشاورزی

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 695

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICESCON04_283

تاریخ نمایه سازی: 25 آذر 1395

چکیده مقاله:

هدف اصلی این تحقیق مقایسه توان پیش بینی مدل های سیستم عصبی - فازی ، شبکه عصبی و خود بازگشتی میانگین متحرک در پیش بینی قیمت صا در اتی زعفران به عنوان یکی از محصولات با اهمیت در بخش کشاورزی ایران است. در این راستا با استفاده از داده های ماهانه 1: 1361 تا 1393:10، سه مدل ANN ، ARIMA و ANFIS به منظور پیش بینی قیمت صادراتی زعفر ان بر آورد شده و با استفاده از معیارهای کارایی سنج میانگین مربعات خطا (MSE) ، میانگین قدر مطلق خطا : (MAE) و درصد میانگین قدر مطلق خطا (MAPE) توان پیش بینی این مدل ها با هم مقایسه گردید . بر اساس نتایج این تحقیق معیارهای سنجش کارایی در روش پیش بینی با استفاده از مدل ANFIS به ترتیب مقادیر 34 0.01، 1 0.000 و 0.0084 را اختیار کرده اند که در میان روش های بکار برده شده کمترین خطا را نشان داده و بنابر این بهترین پیش بینی ها و کارایی ر ا د ا شتا۔ است ۔ در طرف مقابل : مدد ل تک متغیرہ (ARIMA) دارایی بیشترین خطا و به عبارتی کمترین کارایی می باشد . همچنین در این بین ، مدل ANN نیز از کارایی نسبی برخورد ار می باشد . طبقه بندی C22. C53, C81 : JEL .011)

کلیدواژه ها:

مدل عصبی - فازی (ANFIS) ، شبکه عصبی (ANN) ، خود بازگشتی میانگین متحرک (ARTMA ) ، زعفران

نویسندگان

مهدی یونسی

دانش آمخته کارشناسی ارشد اقتصاد کشاورزی،دانشگاه آزاد،قائم شهر

مصطفی گودرزی

هیات علمی گروه اقتصاد کشاورزی ،دانشگاه آزاد اسلامی،قائم شهر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • تا جیا نی، _ کو پا هی، م، 1384، تخمین ...
  • خز ا عی، ع، 1376، بر ر سی تحو لات ...
  • فهیمی فرد، لس 0 م، سا لارپو ر، ه، صبو ...
  • نیمسا ل د وم 1388، من 46-54 ...
  • ا قتصا د و تو سعه کشا و ر زی ...
  • کشا و ر زی ایر ا ن: مقا یسه کا ...
  • کهز ا د ی، ن، ابو الحسنی، ل، 1379، .مقا ...
  • مقد سی ر .و دحیمی بد ر ب، 1388، _ ...
  • مقد سی، ا، رجبی e، 1390، ر هیا فت ا ...
  • منها ج م .ب، 1377، مبا نی شبکه ها ی ...
  • ا، 1390، پیش بینی ا ر زش و ا ر ...
  • Andreou, A., Georgopoulas, S., & Likothanassis, S. D. (2002). Exchange ...
  • Chen, X., Racine, J., and Swanson, R. N. (2001). S ...
  • De Jesus, O., Horn, J.M. and Hagan, M.T. (2001). Analysis ...
  • Haykin, S. (1994). Neural Networks: A Comprehensive Foundation. Macmillan, New ...
  • Heravi, S., Osborn, D. R., & Birchenhall, C. R. (2004). ...
  • Kohzadi, N. Boyd, M. S. Kermanshahi, B. S. and Kaastra, ...
  • Marquardt, D. (1963). An Algorithm for Least-Squares Estimation of Nonlinear ...
  • Racine, J. S. (2001). On The Nonlinear Predictability of Stock ...
  • Wilson, I. D., Pris, S. D., Ware, J. A., & ...
  • نمایش کامل مراجع