مدیریت و اخذ تصمیمات موثر در بسیاری از حوزه های علمی و اجرایی نیازمند سطوح پیوسته و دقیق از داده های مکان مرجع است. معمولا چنین داده هایی مستقیما قابل اخذ نیستند و از داده هایی که به صورت نقطه ای جمع آوری می گردند، تولید می شوند. علاوه بر هزینه قابل توجه جمع آوری داده های نقطه ای، این داده ها به ویژه در مناطق وسیع یا صعب العبور به صورت پراکنده و نامنظم برداشت می شوند و در بسیاری از موارد با تغییرات زیاد در مقادیر مواجهند. گمانه های تحقیقاتی مربوط به اندازه گیری عیار مواد معدنی از جمله داده های مکان مرجع نقطه ای هستند که دارای ویژگی های پراکندگی، بی نظمی و همچنین تغییرات قابل توجه در مقادیر (شکستگی) هستند. با وجود اینکه پراکندگی و شکستگی داده ها در کارایی روش های درونیابی تاثیرگذار است ولی از روش های متداول، برای درونیابی انواع داده های معدنی استفاده می گردد. در این مطالعه، از تلفیق دو روش کمترین مربعات متحرک و کمترین مربعات بازگشتی یک روش درونیابی دقیق، قابل اعتماد و انعطاف پذیر برای درونیابی مواد معدنی پیشنهاد شده است. در روش پیشنهادی برای کشف شکستگی از مقادیر خطاهای ظاهری محاسبات کمترین مربعات استفاده شده است. در این روش، برای نقاط مرکزی یک آستانه پیوستگی (عدم شکستگی) بر اساس انحراف معیار مقادیر مشاهداتی تعیین می گردد، تا نقاط دارای شکستگی کشف و از محاسبه ارزش مقدار مرکزی حذف شوند. علاوه بر این، با استفاده از ویژگی بازگشتی، اندازه دامنه تاثیر به صورت دینامیک تعیین می گردد. در این روش برای هر نقطه مرکزی یک شعاع دامنه تاثیر منحصر به فرد متناسب با مقادیر و ساختار نقاط پیرامونی نقطه مرکزی تعیین می شود. دینامیک بودن اندازه شعاع دامنه تاثیر این امکان را فراهم می نماید که مقادیر ضرایب چندجمله ای و به تبع آن مقدار مرکزی با دقت و قابلیت اعتماد مطلوب تعیین شوند. کارایی روش پیشنهادی از طریق اعمال آن بر روی داده های شبیه سازی شده و همچنین مقایسه نتایج آن با نتایج حاصل از اجرای روش های متداول درونیابی بر روی داده های معدنی واقعی مورد ارزیابی قرار گرفته است. RMSE روش پیشنهادی با استفاده از روش اعتبارسنجی متقابل 10تایی برای عنصر کروم معادل 28. 020 و برای آهن معادل 1. 074 است. مقایسه این نتایج با روش های متداول درونیابی نشان می دهد در شرایط توزیع نامناسب و پراکنده داده ها، کارایی روش پیشنهادی در مورد هر دو دسته عناصر دارای غلظت و تغییرات قابل توجه و عناصر دارای غلظت پایین و سطوح تقریبا یکنواخت بالاتر است.

هدف اصلی مقاله حاضر، استفاده از مدل های احتمال اتورگرسیو میانگین متحرک(ARMA)  به منظور مدل سازی سری زمانی موقعیت روزانه ایستگاه دائمی GPS می باشد. موقعیت های روزانه ایستگاه دائمی LLAS در منطقه کالیفرنیای جنوبی از شبکه SCIGN با پوشش زمانی هفت سال از ژانویه 2000 تا دسامبر 2006 جهت ایجاد سری زمانی موقعیت و آنالیز آن انتخاب گردیده است. بر اساس سری زمانی موقعیت روزانه و استفاده از روش کمترین مربعات وزن دار، پارامترهای ژئودتیکی مانند: ترند خطی، نوسانات سالیانه و نیم سالیانه و نیز آفست ها به طور همزمان برای ایستگاه دائمی LLAS برآورد شده اند. در این مطالعه، توابع خود همبستگی(ACF)  و خودهمبستگی جزئی (PACF)، به عنوان ابزارهای مطالعاتی برای شناسایی رفتار سری زمانی موقعیت روزانه ایستگاه دائمی GPS مورد استفاده قرار می گیرند و امکان بررسی وابستگی داده های روزانه سری زمانی موقعیت را فراهم می نمایند. با توجه به اینکه ممکن است چند مدل احتمالاتی متفاوت برای یک سری زمانی موقعیت روزانه مناسب باشند، لذا محک اطلاعات آکاییک در مرحله شناسایی و انتخاب مدل مفید، مورد استفاده قرار گرفته است. در این مطالعه، نتایج عددی نشان می دهند که بهترین مدل احتمالاتی اتورگرسیو میانگین متحرک برای ایستگاه دائمی LLAS از مرتبه (1,1) برای جهت N می باشد. همچنین مدل احتمالاتی ARMA (2,1) برای جهت E مناسب ترین مدل می باشد در حالی که برای جهت U مدل احتمالاتی ARMA (1,2) بهترین مدل است. بعد از برآورد یک مدل احتمالاتی مناسب برای سری زمانی موقعیت روزانه ایستگاه دائمی GPS، می توان آن سری زمانی موقعیت را همراه با ترند و مولفه های فصلی پیش بینی کرد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

کیفیت جریان ترافیک یکی از مشخصات اصلی شبکه حمل ونقل است که کاربرد فراوانی در مسائل مرتبط با برنامه ریزی شهری، اولویت بندی مسیرها، کاهش تراکم ترافیک و زمان سفر دارد؛ بنابراین برآورد میزان حجم ترافیک و پیش بینی آن در آینده یکی از مسائل مهم برنامه ریزان حوزه حمل ونقل است. مسئله پیش بینی، مستلزم مدل سازی و تعیین متغیرهای تأثیرگذار روی تغییرات پدیده ای خاص است. در این پژوهش به پیش بینی تقاضای سفر با استفاده از روش های سری زمانی پرداخته شده است. داده های موردنیاز این تحقیق، از سازمان راهداری و حمل ونقل جاده ای تهیه گردیده است. در این مطالعه به منظور ساخت مدل، از دو فرآیند اتورگرسیو و میانگین متحرک با رویکرد باکس-جنکینز استفاده شده است. . با استفاده از روش های فوق، میزان تقاضا در سال های آتی تا افق 1404 در آزادراه قم-تهران پیش بینی شده است. نتایج مطالعه نشان داد، از بین مدل های خود همبسته و میانگین متحرک و تلفیق دو مدل یعنی میانگین متحرک-خود همبسته، مدل سوم دقت قابل قبول تری دارد. پارامترهای این مدل (4,5)ARMA به دست آمد. همچنین صحت سنجی مدل ساخته شده، بر اساس مقدار میانگین درصد خطای مطلق، 047/0، مقادیر R و R2 به ترتیب 94/0 و 89/0 محاسبه شد که نشان می دهد مدل از دقت قابل قبولی برخوردار است.

مدل های خودرگرسیون میانگین متحرک انباشته از شناخته شده ترین روش های آماری هستند. در ادبیات موضوع تلاش های فراوانی برای رفع نقایص و محدودیت های این گونه از مدل ها ارایه شده است. در این نوشتار، روشی برای مقابله با محدودیت ساختارهای پیچیده و چندگانه با استفاده از تکنیک های تجزیه ی تجمعی به عوامل اصلی ارایه شده است. در روش پیشنهادی، ابتدا سری زمانی مورد مطالعه که اساسا پیچیده و شامل چندین ساختار همزمان متفاوت است، به اجزاء تشکیل دهنده ی خود که اصولا پیچیدگی کمتری دارند و ساختارهای کمتری را نیز شامل می شوند، تجزیه می شود. سپس هریک از این ساختارهای ساده سازی شده با استفاده از روش خودرگرسیون میانگین متحرک انباشته، پیش بینی می شود. نهایتا نیز پیش بینی هریک از اجزاء اصلی به منظور تشکیل پیش بینی های نهایی با یکدیگر ترکیب می شود. نتایج حاصله از به کارگیری روش پیشنهادی در پیش بینی قیمت جهانی نفت خام که از پیچیده ترین سری های زمانی در بازارهای مالی هستند، بیان گر کارآمدی روش پیشنهادی است.

امروزه پیش بینی تقاضای الکتریسیته به عنوان یکی از مهم ترین حوزه های پیش بینی، نقشی اساسی در فرایند تصمیم گیری های اقتصادی دارد. آنچه که الکتریسیته را از سایر کالاها متمایز می سازد عدم امکان ذخیره سازی آن در مقیاس وسیع، هزینه بر و زمان بر بودن ساخت نیروگاه های جدید تولید و توزیع برق است. همچنین وجود روند نوسانی و غیرخطی و همچنین ابهام و پیچیدگی در داده های الکتریسیته موجب شده که استفاده از مدل های معمول پیش بینی تقاضای الکتریسیته کارامد نباشند. لذا ارائه مدل های جدید با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم و ترکیب مدل ها از جمله دقیق ترین و پرکاربردترین روش های حال حاضر به منظور مدل سازی پیچیدگی و عدم قطعیت موجود در داده ها هستند. لذا در این مقاله یک مدل ترکیبی بهینه موازی با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم، به منظور پیش بینی بار الکتریکی ارائه می شود. روش ترکیبی ارائه شده در این مقاله بر اساس روش های خودگرسیون میانگین متحرک انباشته فصلی و سیستم های استنتاج فازی-عصبی است. ایده اصلی ارائه روش های ترکیبی، استفاده همزمان از مزایای مدل های تکی در مدل سازی سیستم های پیچیده در یک ساختار و همچنین غلبه بر محدودیت های مدل های تکی است. نتایج حاصل نشان می دهد که روش ترکیبی پیشنهادی عملکرد ضعیف تری نسبت به سایر روش های ترکیبی تکراری شبه بهینه نداشته و همچنین هزینه محاسباتی آن کمتر از این گونه از روش ها دارد. علاوه بر این، روش پیشنهادی توانسته است نتایج دقیق تری در مقایسه با مدل های تشکیل دهنده خود و همچنین برخی از روش های ترکیبی فصلی به دست آورد.