کاربرد شبکه‌های عصبی مصنوعی در پیش بینی مقادیر آتی تولید و مقایسه با روش‌های سری زمانی خطی و غیرخطی مورد مطالعه : پیش بینی میزان آتی تولید بطری‌های PET (پلی اتیلن ترفتالات) در ایران

نویسندگان
محمد علی خاتمی فیروزآبادی
پریسا عمرانی
گلنوش حسنی گودرزی
دانشگاه علامه طباطبایی
10.52547/jde.1.2.125
چکیده
یکی از مسائل بسیار مهم در شروع یک فعالیت اقتصادی، پیش بینی در مطالعات بازار می‌باشد. روابط موجود در بسیاری از مسائل مدیریتی و تجاری اغلب به صورت پیچیده و غیرخطی بوده و با روش‌های معمول قابل پیش بینی نیستند، بنابراین می‌توان با فنون و روشهای دقیق تری همچون شبکه‌های عصبی به پیش بینی با دقت بالا پرداخت. هدف این مقاله نشان دادن برتری شبکه‌های عصبی در پیش بینی فرآیندهای غیرخطی در مقایسه با روش‌های معمول و نیز استفاده از پارامترهای مهم اقتصادی یعنی نرخ تورم و نرخ ارز در بالا بردن دقت پیش بینی است. در این مقاله از داده‌های مربوط به میزان تولید بطری‌های PET از سال 1379 تا سال 1392 استفاده شده و با بهره گیری از شبکه عصبی مصنوعی و مدل‌های غیرخطی، از طریق نرم افزار MATLAB پیش بینی تولید برای سال 1393 انجام پذیرفت و سپس با توجه به شاخص‌های MAPE و MSE نتایج به دست آمده از روش‌های مزبور با هم مقایسه شدند. یافته‌های تحقیق نشان دهنده موفقیت شبکه عصبی با خطای بسیار پایین در پیش بینی نسبت به روش‌های سری زمانی و نمایی است.
کلیدواژه‌ها
پیش بینی تقاضا
نرخ تورم
نرخ برابری ارز
شبکه عصبی
شاخص‌های مقایسه

عنوان مقاله English

Application of Artificial Neural Networks in Forecasting PET Bottles in Iran (Comparision of Linear and Non-linear Models)

نویسندگان English

Mohammadali Khatami Firoozabadi
Parisa Omrani
Golnoosh Hassani Goodarzi
چکیده English

In many real commercial and administrative issues, relations are often complex, non-routine and are not predictable by conventional methods. Considering the importance of feasibility studies in making decision to start a production activity, forecasting in marketing studies is very important. There are lots of tools and techniques which are used for having an exact prediction, neural networks can be utilized for forecasting with high degrees of accuracy. The purpose of this article is to demonstrate the preference of using neural networks in forecasting nonlinear processes in comparison with conventional techniques and also to increase its accuracy by using economic parameters such as inflation and exchange rates. As a case study, this paper uses the production rate data of PET bottles from 1379 to 1392, then the production rate of 1393 is predicted by using artificial neural networks and nonlinear models. For validating the model, indexes MAPE and MSE obtained from these methods are compared. The result shows the preference of using the neural network for prediction in comparison with time and exponential series techniques, due to the lowest error in forecasting

کلیدواژه‌ها English

Demand forecasting
Inflation Rate
Exchange Rate
ANN
Hoptroff,R.G. The principles and practices of time series forecasting and business modeling using Neural Networks. Neural computing and applications,1, 59 -66 (1993)
Zhang, G, O. Neural networks in business forecasting. British cataloguing in publication data, (2003)
Zhang,G.P. & Hu,M.Y. Neural Network forecasting of the British Pound/US Dollar exchange rate.Omega,26(4),495-506. (1998)
Azzof,E.M. Neural network time series forecasting of financial markets.Chichester, UK:John Wiley &Sons.(1994).
Bishop, M. Neural Networks for Pattern Recognition. Oxford, UK: Oxford university Press. (1995)
− Bloorforoosh. M. (1977), “Demand estimation of meat in Iran”.Ph.D Thesis, Iowa State University.Ames. Iowa.
Dougherty, M. A review of neural networks applied to transport. Transportation research, part C, 3(4), 247-260.(1995).
Guoqiang Zhang, B. Eddy Patuwo, Michael Y. Hu. Forecasting with artificial neural networks:The state of the art. International Journal of Forecasting 14 (1998)
Haykin, Simon. Neural Networks, A comprehensive foundation, Second edition, 2006
Hwang, H.B. insights into a Neural Network forecasting of time series corresponding to ARMA (p,q) structures. Omega, 29, 2001
Makridakis,S., Anderson, A., Carbone, R., Fildes, R., Hibdon, M., Lewandowsky, R., Newton , J., Parzen, E., & wrinkler , R. The accuracy of extrapolation (time series) methods: results of a forecasting competition. journal of forecasting, 1(2), 111-153. (1982).
Mohamad H.Hassoum, Fundamentals of Artificial Neaural Network, 2005
Nafisa Mahbub and S.M.Hassan Shahrukh, An Artificial Neural Network Approach: An improved Demand Forecast, Proceedings of the Global Engineering, Science and Technology Conference 2012 28-29 December 2012, Dhaka, Bangladesh
Rob Law, Norman Au, A neural network model to forecast Japanese demand for travel to Hong Kong, Tourism Management 20 (1999)
Karin Kandananond, Consumer Product Demand Forecasting based on Artificial Neural Network and SupportVector Machine, World Academy of Science, Engineering and Technology 63 ,2012
Smith,M. Neural Networks for statistical modeling. New York: Van Nostrand Reinhold.(1993)