در دنیای امروز به کارگیری روشهای کمی پیش بینی در زمینه های مختلف مورد توجه گسترده قرار گرفته است. تغییرات سریع محیطهای ناشناخته در دنیای واقعی و به ویژه بازارهای مالی سبب ایجاد مشکلاتی برای پیش بینی کنندگان به منظور تامین داده های مورد نیاز شده است. مدلهای میانگین متحرک خود رگرسیون انباشته (ARIMA) دارای محدودیت تعداد داده های گذشته بوده و شبکه های عصبی مصنوعی (ANNs) نیز به منظور حصول نتایج دقیق احتیاج به داده های زیادی دارند. مدلهای رگرسیون فازی، مدلهایی مناسب در شرایط پیش بینی با داده های قابل حصول کم اند. در این مقاله به منظور برطرف ساختن مشکل مذکور و حصول نتایج دقیقتر، مدلهای میانگین متحرک خودرگرسیون انباشته با رگرسیون فازی ترکیب شده اند. نتایج حاصله از به کارگیری روش ترکیبی در بازار ارز بیانگر کارآمدی این روش در پیش بینی بازه تغییرات نرخ ارز بوده 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.

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

مدل های میانگین متحرک خودرگرسیون انباشته فازی (FARIMA) از جمله مدل های بهبودیافته مدل های میانگین متحرک خودرگرسیون انباشته کلاسیک (ARIMA) اند که به منظور مرتفع ساختن محدودیت تعداد داده های مورد نیاز این گونه از مدل ها ارائه شده اند. در این مقاله، به منظور حصول نتایج دقیق تر در شرایط داده های قابل حصول کم، یک مدل ترکیبی از مدل های میانگین متحرک خودرگرسیون انباشته فازی با طبقه بندی کننده های احتمالی، ارائه شده است. نتایج حاصله از بکارگیری روش ترکیبی پیشنهادی در بازارهای ارز (پوند انگلستان، دلار امریکا و یورو همگی در مقابل ریال ایران) بیانگر کارآمدی روش پیشنهادی است، لذا مدل مذکور قابلیت بکارگیری بعنوان ابزار و جایگزینی مناسب برای پیش بینی نرخ ارز، بویژه مواقعی که با داده های اندک سر و کار داریم، را دارد.

دشت عجب شیر ازجمله مناطق مهم کشاورزی استان آذربایجان شرقی است که بیش از نصف نیاز آبی محصولات مختلف زراعی و باغی در این دشت، از منابع آب زیرزمینی تأمین می شود. برداشت مداوم و بی رویه از آب زیرزمینی موجب افت بیش از 5/5 متر از سطح آب از سال 1363 تاکنون گردیده است. بنابراین بهره برداری بهینه و پایدار از منابع آب زیرزمینی در این دشت یک ضرورت مدیریتی است که آن هم مستلزم الگوبندی کمی مصرف و پیش بینی روند بهره برداری از این منبع آب است. از سوی دیگر با عنایت به توانمندی الگوهای سری های زمانی در الگوبندی و پیش بینی رفتار پدیده های با تغییرات زمانی در مهندسی آب، این پژوهش با هدف تحلیل تغییرات سطح آب زیرزمینی دشت عجب شیر با الگوهای آماری سری های زمانی انجام گردید. در این پژوهش افت سطح آب زیرزمینی به مدت 44 سال با 16 روش الگوبندی ارزیابی گردید و پس از ارزیابی، الگوی اتورگرسیو تلفیقی میانگین متحرک فصلی ((SARIMA)) مناسب ترین الگو تشخیص داده شد. نحوه الگو بندی، آزمون و پیش بینی با الگوی یادشده به این صورت بود که حدود 50 درصد داده های افت سطح آب زیرزمینی برای الگوبندی (از سال 1363 تا 1385)، 25 درصد آن برای آزمون (1385 تا 1396) و 25 درصد بقیه (1396 تا 1407) برای پیش بینی استفاده گردید. نتایج نشان داد با فرض ادامه یافتن شرایط موجود بهره برداری و استفاده از آب کشاورزی در دشت، میانگین حجم افت آب زیرزمینی در سال یازدهم پیش بینی (1407) برابر 5/26 میلیون مترمکعب خواهد بود. برای مدیریت بهینه مصرف آب زیرزمینی، سناریوهای مختلف صرفه جویی شامل ادامه روند بهره برداری، مصرف منبع آب زیرزمینی با 10، 15، 20، 25 و 30 درصد صرفه جویی با شروع از سال 1397 در نظر گرفته شد. در صورت صرفه جویی از سال 1397 به اندازه 10 درصد، در سال یازدهم نزدیک سه میلیون مترمکعب در آب زیرزمینی صرفه جویی خواهد شد.

این مقاله به بررسی عملکرد پیش بینی مدل های ARIMA و ARFIMA با استفاده از داده های روزانه بازده شاخص کل سهام تهران در بازه زمانی 04/09/1380 تا 09/09/1390 می پردازد. در این راستا جهت تخمین پارامتر d و دیگر پارامترها، از روشNLS  در بسته نرم افزار Oxmetric/pcgive استفاده شد و پس از مقایسه نتایج مدل های تحقیق؛ مدل ARFIMA بر اساس معیار AIC مدلی برتر در مدل سازی TEPIX مشخص گردید. همچنین از میان براوردهای پیش بینی، روش های پیش بینی ساده را برای تخمین پیش بینی آزمون می کنیم. از مقایسه دقت پیش بینی مدل های مذکور توسط معیارهای پیش بینی مانند MAPFE و RMSFE و فواصل اطمینانی که ارزش های واقعی در آن جای گرفته اند، می توان استنباط کرد که اولا، تفاوت عملکرد بهتر پیش بینی مدل حافظه بلندمدت ARFIMA نسبت به مدل ARIMA بسیار جزئی است و ثانیا، ناکارامدی مدل ARFIMA در پیش بینی بازار سرمایه تهران کاملا مشهود 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.

اقلیم یکی از مهمترین عوامل تاثیرگذار بر فرایندهای تشکیل، تکامل و تخریب خاک است که با توجه به تاثیر آن بر رخدادهای فرسایشی، پایش دائمی آن اهمیت دارد. در این پژوهش به منظور ارزیابی تغییرات اقلیمی در قالب سری های زمانی چهار ایستگاه هواشناسی شامل اردل، سامان، ایذه و دهدز به عنوان ایستگاه های مطالعاتی منتخب مورد بررسی قرار گرفت. با بررسی آماری داده های بارش در ایستگاه های منتخب، محاسبه ی شاخص فرسایندگی باران از 1990 تا سال 2017 انجام شد. پس از تحلیل روند داده ها و بررسی ایستایی داده های بارش، گراف های Auto-correlation function (ACF) و Partial auto-correlation function (PACF) ترسیم شد، سپس آزمون دیکی فولر (ADF) در سطوح اطمینان 1، 5 و 10 درصد صورت پذیرفت. در مرحله ی بعد، عملیات ایستا نمودن داده های ناایستا و یافتن پارامترهای مناسب p، r و q انجام شده و مدل Seasonal auto-regressive integrated moving average ((SARIMA)) تهیه و ایجاد شد. ارزیابی های آماری توسط نرم افزارهای StataSE، Minitab 18 و SPSS 19 صورت گرفت. نتایج نشان داد که جهت آشکارسازی روند تغییرات بارش، مدل ARIMA (0,0,1)×(1,1,1)12 دارای بیشترین نیکویی برازش است. همچنین روش میانگین متحرک خودهمبسته ی فصلی به خوبی تغییرات بارش را در منطقه ی مطالعاتی واقع در جنوب غرب ایران نشان داد. نتایج حاصل از مدل برازش شده حاکی از احتمال کاهش در میزان بارش سالیانه طی دوره های زمانی 5 و 10 ساله پس از سال 2017 می-باشد. با توجه به مقادیر بارش ماهیانه شبیه سازی شده، مقدار شاخص فرسایندگی در منطقه به دست آمد که کاهش ضریب فرسایندگی باران طی دوره های تا 10 سال آینده را بیان می نماید.

دقت پیش بینی از مهمترین عوامل موثر در انتخاب روش پیش بینی است. امروزه به رغم وجود روشهای متعدد پیش بینی، هنوز پیش بینی دقیق مالی کار چندان ساده ای نیست و اکثر محققان درصدد به کارگیری ترکیب روشهای متفاوت به منظور حصول نتایج دقیق تر می باشند. در حالت کلی، انتخاب موثرترین روش به منظور پیش بینی، کار بسیار دشواری است و بسیاری از محققان، روشهای خطی و غیرخطی را به منظور حصول نتایج دقیق تر با یکدیگر ترکیب کرده اند؛ چرا که: اولا در عمل تعیین خطی و غیرخطی بودن یک سری زمانی، کار دشواری است. ثانیا سریهای زمانی دنیای واقع، به ندرت کاملا خطی و یا غیرخطی هستند. مدلهای خود رگرسیون میانگین متحرک انباشته (ARIMA) و شبکه های عصبی مصنوعی (ANNs) به ترتیب از جمله دقیق ترین مدلهای خطی و غیرخطی در پیش بینی سریهای زمانی می باشند.در این مقاله به منظور بهره گیری از مزایای منحصر به فرد هر یک از روشهای مدل سازی خطی و غیرخطی و حصول نتایج دقیق تر، روش ترکیبی مدل های خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی به منظور پیش بینی های مالی پیشنهاد شده اند. مقایسه نتایج حاصله بیانگر آنست که مدل تلفیقی نسبت به مدلهای اریما (ARIMA) و شبکه های پرسپترون چندلایه (MLP) نتایج دقیق تری در پیش بینی نرخ ارز (یورو در مقابل ریال) ارایه نموده است.