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

تغییرات نرخ ارز در کشورهای درحال توسعه، که اغلب صادرکننده ی مواد خام اند، بیش تر از دیگر کشورها اهمیت دارد. ایران نیز نه تنها به علت وابستگی شدید به درآمدهای ارزی حاصل از صادرات نفت از این امر مستثنی نیست، بلکه به علت اعمال جدی تر تحریم های اقتصادی در سال های اخیر و تأثیرپذیری شدید نرخ ارز از این امر این اهمیت دوچندان شده است. بنابراین، در این مقاله سعی شده است با درنظرگرفتن عوامل مؤثر در نرخ ارز و هم چنین، درنظرگرفتن اثرات تحریم با استفاده از نقشه های خودسازمان ده بازگشتی[i] مدلی برای پیش بینی نرخ ارز ارائه شود. برای این کار علاوه بر عوامل مؤثر در آن به طور هم زمان از سری زمانی مربوط به نرخ ارز نیز برای پیش بینی مدل استفاده شده است و درمجموع، دوازده متغیر انتخابی از متغیرهای مؤثر کلان در نرخ ارز، و اثر تحریم و شاخص قیمت بازارهای رقیب، یعنی طلا، بورس، و مسکن در مدل وارد شدند. نتایج تحقیق نشان داد که این مدل ابزار مناسبی برای پیش بینی نرخ ارز است.

پیش بینی ترافیک، به عنوان بخش مهمی از سیستم های حمل و نقل هوشمند، نقش مهمی در نظارت بر وضعیت ترافیک ایفا می کند. با توجه به اینکه بسیاری از مطالعات کار پیش بینی سرعت ترافیک را با مدل های یادگیری عمیق انجام داده اند، همچنان پژوهشی بر روی پیش بین سرعت ترافیک در فصل های مختلف انجام نشده است.همچنین با توجه به تأثیرات مهم عوامل مکانی-زمانی و عملکرد عالی شبکه های عصبی بازگشتی (RNN) در زمینه تحلیل سری های زمانی، در این مقاله، یکی از شبکه های عصبی یادگیری عمیق که ویژگی های واحد بازگشتی گیتی تزریقی (FI_GRU) در داده های زمانی متوالی را ترکیب می کنند، پیشنهاد شده است. داده های مورد استفاده در این پژوهش از شبکه تجسم و ارزیابی فعال در شهر سیاتل ایالت متحده بدست آمده است. این پژوهش سه فصل بهار، تابستان و پاییز و چهار مدل یادگیری عمیق شامل LSTM وGRU و ConvLSTM و BiLSTM و یک مدل کم عمق SVM در سه گام زمانی 5دقیقه، 10دقیقه و15 دقیقه باهم مقایسه کرده است، نتایج این تحقیق نشان می دهد، مدل پیشنهادی در فصل های مختلف اختلافی چشمگیری نداشته است، و همچنین چهار مدل یادگیری عمیق ومدل SVM ، در فصل های مختلف اختلاف قابل توجه نداشته اند ، نتایج دیگرنشان می دهد هرچه بازه گام های زمانی بیشتر می شود خطاها بیشتر و دقت مدل کاهش پیدا می کند، با توجه به نتایج بدست آمده دقت مدل  FI-GRUنسبت به کمترین دقت مدل یادگیری عمیق  (BiLSTM)52/0درصد بیشتر است، و دقت مدل پیشنهادی نسبت به مدل کم عمق (SVM) 24/1درصد بیشتر است و همچنین مدل پیشنهادی برای پیش بینی سرعت ترافیک در گام زمانی 5 دقیقه 44/1درصد بهتر عمل کرده است.

بارش یکی از پارامترهای مهم اقلیم شناسی و سایر علوم جوی که از اهمیت والای در حیات بشر برخوردار است. در سال های اخیر، سیل و خشک سالی خسارت های فراوانی را در بسیاری از مناطق جهان در پی داشته است. پیش بینی بارش در مدیریت و هشدار این معضلات نقش مهمی بر عهده دارد. امروزه شبکه های عصبی مصنوعی از جمله روش های نوین می باشد که برای تخمین و پیش بینی پارامترها با استفاده از ارتباط ذاتی بین داده ها توسعه یافته است. هدف این پژوهش، ارزیابی دقت شبکه عصبی بازگشتی نارکس در پیش بینی بارش روزانه می باشد که با استفاده از آمار روزانه هواشناسی ایستگاه های کرمان، بافت و میانده جیرفت، طی دوره مشترک اماری 23 ساله (2012-1989)، می باشد به منظور مقایسه به آموزش شبکه های عصبی مصنوعی با ساختار پرسپترون چند لایه و شبکه عصبی بازگشتی نارکس پرداخته شد. عوامل اقلیمی موثر در بارش به عنوان ورودی های شبکه های عصبی مصنوعی و بارش روزانه به عنوان خروجی شبکه در نظر گرفته شد. آمارهای میانگین مربع ها خطا (MSE) و ضریب همبستگی (R)، به منظور ارزیابی روش های بکار برده شده، استفاده گردید. نتایج نشان داد که مدل ترکیبی 42، بر پایه قانون آموزش لونبرگ مارکوات و تابع محرک سیگموئید با همه پارامترهای هواشناسی در هر سه ایستگاه از دقت قابل قبولی برخوردار است.همچنین مشخص شد که مدل های مطلوب شبکه عصبی مصنوعی تغییرات افزایشی نسبت به رطوبت نسبی، دارای بیشترین حساسیت هستند.

هدف از انجام این پژوهش بررسی دقت پیش بینی جهش های شاخص سهام بر اساس روش های مختلف یادگیری ماشین در بورس اوراق بهادار تهران است. برای رسیدن به این هدف، در گام نخست جهش های شاخص کل بورس اوراق بهادار تهران طی دوره 1392 تا 1399 بر اساس رویکرد ARJI-GARCH استخراج گردید. در گام بعدی، با بهره گیری از رویکردهای جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و شبکه عصبی بازگشتی مبتنی بر یادگیری عمیق به پیش بینی جهش های شاخص سهام پرداخته شد. بدین منظور، از 80 درصد کل داده ها به عنوان دوره یادگیری ماشین (درون نمونه) و مابقی داده ها به عنوان دوره آزمون (خارج از نمونه) استفاده شده است. نتایج پیش بینی 1، 3 و 6 روزه برای دوره آزمون (خارج از نمونه) نشان می دهد که روش یادگیری ماشین مبتنی بر شبکه عصبی بازگشتی حافظه طولانی کوتاه مدت (LSTM) نتیجه بهتری نسبت به سایر مدل های مورد بررسی برای هر سه افق پیش بینی داشته است.

تکنیک های یادگیری عمیق نقشی مهمی در دنیای مُدرن امروزی ایفا می کنند. در سال های اخیر شبکه عصبی بازگشتی منجر به تحقیقات گسترده ای برای پیش بینی سری های زمانی شده است. این مطالعه تلاش می کند تا با در نظر گرفتن وابستگی های سری زمانی با استفاده از شبکه عصبی بازگشتی مبتنی بر الگوریتم حافظه طولانی کوتاه مدت، جهت پیش بینی شدت صدمات رانندگی براساس 10269 سوابق تصادفی که از سال 1397 الی آذر 1400 در جاده های استان اصفهان رُخ داده است، طراحی و پیاده سازی شود. برای انجام این کار چندین معماری و پیکربندی شبکه از طریق جستجوی سیستماتیک شبکه برای تعیین یک شبکه بهینه برای پیش بینی شدت آسیب تصادفات ترافیکی مورد آزمایش قرار گرفتند. معماری شبکه انتخاب شده به طور کامل با هفت متغیر مستقل، یک لایه حافظه طولانی کوتاه مدت با 64 گره ورودی و یک لایه خروجی با تابع بیشینه هموار تشکیل شده است. همچنین برای درک مزایا و مقایسه بهتر در این مدل، دو الگوریتم بهینه از جمله الگوریتم گرادیان نزولی تصادفی و الگوریتم بهینه آدام نیز باهم مقایسه شدند به-طوری که نتایج حاصل از مدل روی شبکه، نشان داد که الگوریتم بهینه آدام بهتر از الگوریتم گرادیان نزولی تصادفی عمل می کند چرا که دقت مدل در هنگام استفاده از الگوریتم آدام برابر با 26/73 % شد در حالی که برای الگوریتم گرادیان نزولی تصادفی دقت مدل به 20/68 % رسید. یافته های این مطالعه نشان داد که مدل شبکه عصبی بازگشتی در چهارچوب یادگیری عمیق می تواند ابزار امیدوارکننده ای برای پیش بینی شدت تصادفات باشد.