ارائه مدلی برای پیش بینی سری زمانی با استفاده از شبکه های عصبی مصنوعی

هدف اصلی این تحقیق بهینه سازی ورودی و یافتن یک ماشین پیش بینی کننده با استفاده از شبکه عصبی است که می تواند با مشاهده مقادیری از یک (RBF) و شبکه عصبی توابع شعاعی بنیادین ، (MLP) پرسپترون چندلایه می باشد. در این تحقیق (MSE) سری زمانی، مقادیر آتی آن را پیش بینی کند. معیار ارزیابی ،روش میانگین مربعات خطا از یک مجموعه داده غنی بعنوان ورودی شبکه عصبی استفاده شده است. مجموعه داده مورد نظر مربوط به میزان مصرف برق طی یک بازه زمانی 43 ساله می باشد. در سایر تحقیقاتی که در این زمینه انجام شده محققان بیشتر روی ساخت خود شبکه متمرکز شده اند. اما ما در این تحقیق روی یک خلا که همان نحوه ورودی دادن بوده، متمرکز شده ایم. 80 درصد از دادهها برای آموزش شبکه و 20 درصد باقیمانده برای آزمون در نظر گرفته شده و به صورت تصادفی به شبکه عصبی مورد نظر می دهیم. در ابتدا ورودی ها را به صورت کورکورانه و پشت سرهم به شبکه های عصبی RBF و MLP می دهیم و نتایج میزان خطا را با تغییر پارامترهای آن طی 5 بار اجرا ثبت می کنیم. سپس نحوه ورودی دادن به شبکه عصبی خود رابهینه می کنیم و نتایج را همانند روش قبلی ثبت و ذخیره می کنیم. خواهیم دید که اگر داده ها را با استفاده از کارشناسان مربوط به آن داده و افراد خبره به صورت کارشناسانه به شبکه عصبی بدهیم نتایج بسیار خوبی خواهیم گرفت. پس از بررسی نتایج هر دو روش، برای شبکه های عصبیR RBو MLP با استفاده از شاخص عملکرد میانگین مربعات خطا مشاهده شد که اگر به شبکه های عصبی RBF , MLP ورودی های بهینه سازی شده داده شود با دقت بالایی پیش بینی خواهند نمود.

کلیدواژه ها:

پیش بینی ، سری زمانی ، شبکه پرسپترون چندلایه ، شبکه تابع پایه شعاعی ، میانگین مربعات خطا