یکی از کاربردهای هوش مصنوعی پیش بینی روند های سری زمانی است مانند روند قیمت سهام در بازار بورس که با در اختیار داشتن قیمت یک سهم در یک افق زمانی، می توان پیش بینی مناسبی از قیمت آتی آن سهم داشت. پیش بینی سری زمانی با شبکه عصبی از قوی ترین این روش هاست. الگوریتم پیش بینی سری زمانی با شبکه عصبی ( Algorithm network neural improved whit Time serirs prediction ) از رفتار پیش بینی سری زمانی الهام گرفتهشده است . الگوریتم پیش بینی سری زمانی با شبکه عصبی بهبود یافته در حوزههای مختلف مسائل بهینهسازی کاربرد دارد . بهینهسازی فرآیندی برای تعیین بهترین راهحل است . انقلاب الکترونیکی اخیر به شرایطی منجر شده است که بیشتر اشخاص سازمانی و تجاری به طور مداوم تعداد زیادی از داده ها را تولید می کنند . پیش بینی چنین سری های زمانی برای بقا و به دست آوردن مزیت رقابتی در صورت مشاغل بسیار مهم و حیاتی است . این قابلیت به سادگی آگاهی و زمان لازم را برای آمادگی بمی دهد.
پیش بینی سری زمانی یک مشکل پردازش سیگنال بسیار چالش برانگیز است ؛ زیرا در شرایط واقعی معمولاً تابعی از تعداد زیادی از عواملی است که اکثر آنها در زمان پیش بینی ناشناخته یا غیرقابل دسترسی هستند . بهطورکلی مسائل بهینهسازی از مسائل محاسباتی هستند . این مسایل همواره به دنبال پیدا کردن بهترین راهحلهای ممکن هستند. به عبارتدیگر ، الگوریتمهای بهینهسازی، به دنبال یافتن راهحل در منطقهای هستند که دارای حداقل (یا حداکثر) ارزش عملکرد هدف باشد.در این مقاله به توضیح پیش بینی سری زمانی با شبکه عصبی بهبود یافته پرداخته شده است. همچنین فلوچارت الگوریتم پیش بینی سری زمانی با شبکه عصبی بهبود یافته ، پیدایش الگوریتم پیش بینی سری زمانی با شبکه عصبی بهبود یافته و کاربرد و رفتار آن بیان شده است .
در یک مسئله بهینهسازی ، انواع روابط ریاضی بین هدف ، محدودیتها و متغیرهای تصمیمگیری مشخصکننده دشواری مسئله است. در ابتدا بیشتر راهحلها بر اساس تجربیات در نظر گرفته میشوند و بهتدریج ، دانش بر اساس این مشاهدات تجربیات گذشته توسعه میباید. در ادامه تمام راهحلهای یافت شده مورد آزمایش قرار میگیرند و ممکن است راهحل بهتری برای اطمینان از عملکرد جایگزین شود. بهینهسازی هدف اغلب توسط محققان در حل مسائل دنیای واقعی استفاده میشود. بعضیاوقات ، با تعیین چندین هدف در حل مسئله ، راهحل بهتری حاصل میشود. بهینهسازی چند هدفه فرآیندی برای حل مسئله با بهینهسازی هم زمان دو یا چند هدف در معرض محدودیتها است
در یک مسئله بهینهسازی ، انواع روابط ریاضی بین هدف ، محدودیتها و متغیرهای تصمیمگیری مشخصکننده دشواری مسئله است. بهتدریج ، دانش بر اساس این مشاهدات و تجربیات گذشته توسعه میباید. در ادامه تمام راهحلهای یافت شده مورد آزمایش قرار میگیرند .ممکن است راهحل بهتری برای اطمینان از عملکرد جایگزین شود. بهینهسازی هدف اغلب توسط محققان در حل مسائل دنیای واقعی استفاده میشود.
گاهی با تعیین چندین هدف در حل مسئله ، راهحل بهتری حاصل میشود. بهینهسازی چند هدفه، فرآیندی برای حل مسئله با بهینهسازی هم زمان دو یا چند هدف در معرض محدودیتها است. برخی از الگوریتمهای بهینهسازی با دیگر تکنیکهای بهبودیافته بهصورت ترکیبی استفاده میشوند تا عملکرد بهتری پیدا کنند. شواهد نشان میدهد بیشتر روشهایی که از بهصورت ترکیبی در روش خود استفاده کردهاند در مقایسه با سایر الگوریتمهای metaheuristic (فراابتکاری) بهتر عمل کردهاند
برای مثال در اینجا یک روش مؤثر مبتنی بر رویکرد شبکه عصبی مصنوعی برای پیش بینی سری زمانی میزان عرضه کل نفت ایران ارائه داده میشود . به منظور افزایش کارایی شبکه، از یک الگوریتم فراابتکاری به نام الگوریتم بهینه سازی گروهی ذرات برای آموزش شبکه استفاده شده است. به منظور مقایسه دقت پیش بینی و بررسی کارایی رویکرد پیشنهادی، ابتدا یک معیار اندازه گیری عملکرد معرفی میشود و سپس، از داده های واقعی مربوط به میزان عرضه کل نفت ایران برای پیش بینی استفاده شده است. نتایج حاصل از اجرای مدل به ازای الگوریتم های آموزشی ذکرشده نشان از برتری الگوریتم بهینه سازی گروهی ذرات نسبت به سایر الگوریتم های آموزشی دارد.
اهمیت روزافزون پیش بینی متغیرهای کلان اقتصادی از یک سو و کمبود مدلهای ساختاری مناسب برای پیش بینی از سوی دیگر باعث ایجاد مدل های سری های زمانی شده است. هدف اصلی مدل سازی سری های زمانی، دادن نظم خاص به مشاهدات وابسته به زمان است تا بر اساس آن بتوان آینده را پیش بینی کرد؛ به عبارت دیگر، مهم ترین هدف تجزیه و تحلیل سری های زمانی یافتن مدل تغییرات و پیش بینی آینده آن است .
مهم ترین هدف تجزیه و تحلیل سری های زمانی یافتن مدل تغییرات و پیش بینی اینده ان است . دادن نظم خاص به مشاهدات وابسته به زمان است تا بر اساس آن بتوان آینده را پیش بینی کرد . بسیاری از تلاش ها در سال های اخیر به یافتن روشها و مدل هایی برای پیش بینی سری های زمانی اختصاص داده شده است .
روش های اماری روش های محاسبات نرم از پرکاربردترین تکنیک های موجود در این زمینه هستند . ماهیت روشهای آماری به گونه ای است که در محیط های با تغییرات کم به خوبی قادر به پی بینی هستند، اما در محیط های دارای اغتشاش نمیتوانند تقریب خوبی از تغییرات محیطی را تخمین بزنند. ازاین رو به روش هایی نیاز است که قابلیت حل چنین مشکلاتی را داشته باشد. شبکه عصبی مصنوعی به عنوان یکی از روشهای محاسبات نرم از دقیق ترین و محبوبترین روش های پی بینی در مسائل مختلف به کار میرود .
شبکه عصبی مصنوعی به عنوان یکی از روشهای محاسبات نرم از دقیق ترین و محبوب ترین روشهای پیش بینی در مسائل مختلف به شمار میرود . شبکه های عصبی میتوان به قابل یادگیری بودن، قابلیت تعمیم، سرعت بالا به دلیل پردازشهای موازی، قابلیت سازگاری با تغییرات سیستم و … اشاره کرد .
شبکه های عصبی به آسانی قابل تعمیم هستند، به نحوی که پس از یادگیری با استفاده از داده های نمونه، میتوان قسمتهای مشاهده نشده از جمعیت را، حتی با احتمال وجود اغتشاش در داده های نمونه، به درستی برداشت و استخراج کنند . نمود شبکه های عصبی برعکس روشهای سنتی و مرسوم، شبکه هایی خود تطبیقی و مبتنی بر داده ها هستند که در آن ها پی فرض های کمی در مورد مدلهای به کار گرفته برای مسائل مختلف وجود دارد.
شبکه های عصبی می توانند به عنوان تقریب زننده هایی عمومی و قوی برای توابع مختلف استفاده شوند. برخی از محققین نشان دادند که یک شبکه عصبی قادر است هر تابع پیوسته را با هر دقت مورد انتظاری تقریب بزند و به طورکلی، شبکه های عصبی بسیار جامع تر و انعطاف پذیرتر از روشهای آماری سنتی برای تقریب توابع هستند به دلیل پردازشهای موازی، قابلیت سازگاری با تغییرات سیستم و در یک شبکه عصبی، تعیین ساختار مناسب شبکه و انتخاب پارامترهای آن از اهمیت خاصی برخوردار است. همچنین، موفقیت شبکه های عصبی تا حد زیادی به دقت و کارایی الگوریتم های یادگیری آن بستگی دارد .
منظور از شبکه های عصبی تکاملی طراحی و آموزش شبکه های عصبی با استفاده از الگوریتمهای تکاملی هست. در سالهای اخیر، رویکردهای ترکیبی شبکه های عصبی و الگوریتم های تکاملی توجه بسیاری به خود جلب کرده است. تاکنون، روشهای مختلفی برای ترکیب این دو تکنیک معرفی و مورد آزمایش قرار گرفته است .
امروزه، شبکه های عصبی مصنوعی در مسائل مختلفی از دنیای واقعی به کار گرفته میشوند. از شناخته شده ترین کاربردهای شبکه های عصبی میتوان به تقریب توابع، دسته بندی و خوشه بندی بهینه، اطلاعات، ذخیره و بازبینی داده ها سازی مسائل مقید، تعقیب مسیر و … اشاره کرد. یکی از مهم ترین کاربردهای شبکه عصبی مصنوعی این است که از آن میتوان به عنوان یک ابزار قوی برای پیش بینی سریهای زمانی استفاده کرد .
مدل پیش بینی برای مسائل سری زمانی به فرم عمومی زیر است :
از یک لایه ورودی به منظور دریافت اطلاعات، یک یا چند لایه پنهان و یک لایه خروجی به منظور ارائه جواب نهایی تشکیل شده است .
در شکل زیر نمونه ای از یک شبکه پیشخور دو لایه با ارتباط کامل بین گره ها اورده است :
در اینجا کار از نوع مقایسه ای هست که با استفاده از داده های پس رویدادی جمع آوری شده به روش کتابخانه ای، فرضیات آزمون شده است. تحقیق حاضر از نظر مکانی محدود به نفتی ایران و داده ها از نوع ماهیانه است . در دسترس بودن، جدید بودن و به اندازه کافی زیاد بودن داده ها برای به کارگیری شبکه عصبی از دلایل انتخاب این بازه زمانی می باشد. همچنین قلمرو موضوعی آن ، پیش بینی سری زمانی میزان عرضه کل نفت ایران در بازه زمانی ذکر شده است :
Matlabanalysis2012@gmail.com