تلفیق شبکه های عصبی مصنوعی با روش های کلاسیک ریاضی به منظور افزایش دقت پیش بینی سری های ‏زمانی

مدل سازی و پیش بینی سری های زمانی، در حوزه های کاربردی مختلف اهمیت بسزایی دارد. دقت پیش بینی ‏یکی از مهم ترین عوامل موثر در انتخاب روش پیش بینی است. مدل خودرگرسیون میانگین متحرک انباشته ‏‏(‏arima ‏) و شبکه عصبی مصنوعی از پراستفاده ترین مدل های پیش بینی به شمار می آیند. داده های سری ‏زمانی اغلب شامل هر دو الگوی خطی و غیرخطی هستند. مدل ‏arima‏ نمی تواند با رابطه های غیرخطی سروکار ‏داشته باشد، این در حالی است که شبکه عصبی نیز به تنهایی قادر به عملکرد یکسان با هر دو الگوی خطی و ‏غیرخطی نیست. از این رو، هیچ یک از مدل های ‏arima‏ و شبکه عصبی نمی توانند در مدل سازی و پیش بینی ‏داده های سری زمانی مناسب باشند.‏ در مراجع و منابع موضوع مدل های بسیار مهمی به منظور بهبود دقت و کارایی مدل سازی و پیش بینی سری های ‏زمانی پیشنهاد شدند. مدل های ترکیبی که یک سری زمانی را به اجزای خطی و غیرخطی آن تجزیه می کنند، مهم ‏ترین نوع آن ها به حساب می آیند.‏ در این پایان نامه، به منظور به دست آوردن مدلی دقیق تر از شبکه های عصبی مصنوعی برای پیش بینی سری های ‏زمانی، مدل بهبود یافته ای از شبکه های عصبی مصنوعی که از مدل های ‏arima‏ استفاده می کند، پیشنهاد شده ‏است. در مدل پیشنهادی، فواید منحصر به فرد مدل ‏arima‏ در مدل سازی خطی، به منظور پیش پردازش داده ‏های تحت مطالعه برای استفاده در شبکه های عصبی مصنوعی به کار گرفته شده است. این پایان نامه همچنین یک ‏روش ترکیبی پیش بینی را ارائه می دهد که مدل ‏arima‏ فصلی (‏sarima ‏) و شبکه های عصبی را با هم ‏ترکیب می کند. مدل ‏sarima‏ و شبکه های عصبی مصنوعی می توانند داده هایی را که درگیر معضل روند و ‏فصلی بودن هستند، مهار کنند. نتایج تحلیلی به دست آمده از مدل ‏sarima، به عنوان داده های ورودی شبکه ‏عصبی وارد می شوند . سپس این مدل برای پیش بینی داده های سری زمانی فصلی به کار گرفته می شود.‏ ‏