برای جستجو در بین هزاران پایان نامه در موضوعات مختلف     

      و دانلود متن کامل آنها با فرمت ورد اینجا کلیک کنید     

 
دانلود پایان نامه

2-14 پیشینه پژوهش
الف) تحقیقات انجام شده در داخل کشور
گیلا نپور و کهزادی(1376) با استفاده از مدل ARIMA قیمت برنج تایلندی را پیشبینی نمودند.
مجاوریان و امجدی (1378) قیمت مرکبات را با استفاده از روشهای معمول سری زمانی و توابع مثلثاتی پیشبینی نمودند.
قاسمی و همکاران(1379) نیز به پیشبینی قیمت شیر با استفاده از شبکههای عصبی مصنوعی و مدل ARIMA پرداخته و دریافتند که خطای پیشبینی مدل شبکه عصبی 9 تا 22 درصد کمتر از مدل ARIMA است.
اسدپور و همکاران (1379) برای پیشبینی قیمت ماهیانه شیر از دو روش شبکه عصبی مصنوعی و الگوی ARIMA استفاده کردند. نتایج مطالعات نشان داد که میانگین مربعات خطا و میانگین قدر مطلق خطا درمورد شبکههای عصبی نسبت به ARIMA به ترتیب 85/8 درصد و 79/21درصد کمتر است. لذا الگوی شبکه عصبی برای پیشبینی دقیق قیمت شیر میتواند در کوتاهمدت استفاده قرار گیرد.
مشیری (1380) با هدف پیشبینی تورم در ایران بر اساس دادههای سالهای1377-1333، از مدلهای ساختاری تورم، مدلهای سریزمانی و شبکههای عصبی مصنوعی استفاده کردند. نتایج حاصله حاکی از آن بود که شبکههای عصبی در زمینهی پیشبینی تورم نسبت به سایر مدلها عملکرد بهتری دارند.
توفیقی (1381)با توجه به ماهیت دادههای سریزمانی طی دوره 1378-1338 ثبات در مدل تقاضای واردات در ایران را با استفاده از الگوی خود رگرسیون برداری مورد بررسی قرار داد نتایج حاکی از آن بود که درآمدهای نفتی و تولید ناخالص داخلی بدون نفت، اثری مثبت و قیمتهای نسبی (نسبت قیمت کالاهای وارداتی به کالاهای تولید شده در داخل) اثر منفی بر تقاضای واردات کل (کل ، واسطه ای، سرمایهای و مصرفی) دارند.
عباسیان و کرباسی (1382) با توجه به اهمیت پیشبینی در سرعت بخشیدن به تصمیمگیریها به بررسی و تحلیل سری زمانی تولید تخم مرغ و قیمت عمده این محصول پرداختند.
رمضانی (1383) به مقایسه عملکرد پیشبینی در الگوهای شبکه عصبی مصنوعی و روش ARIMA درمورد تقاضای ماهیانه برق در ایران پرداخته است. با استفاده از معیارهای RMSE و MAPE نتیجه حاصل شد ه است که الگوهای شبکه عصبی مصنوعی در پیشبینی تقاضای برق ماهیانه از الگوهای ARIMA عملکرد بهتری داشته است.
شایگان و دیگران (1384) در پژوهشی با عنوان پیش بینی میزان واردات برنج و ذرت با استفاده از روش شبکه عصبی مصنوعی که این مطالعه با هدف پیش بینی واردات برنج و ذرت، از روش شبکه عصبی و ARIMA استفاده شده و نتایج حاصل مورد مقایسه قرار گرفته است. به منظور انجام این بررسی، دادههای گمرک ایران در خصوص واردات برنج و ذرت برای سالهای 1360 تا 1383 مبنای محاسبه قرار گرفته است. نتایج مطالعه نشان دهنده آن است که روش شبکه عصبی دارای عملکرد بهتری در مقایسه با روش ARIMA است. و قادر است میزان واردات برنج و ذرت را دقیق تر پیش بینی کند.
عمرانی و بخشوده (1384) قدرت پیشبینی روشهای مختلف مانند میانگین متحرک، هموار سازی نمایی یگانه و دوگانه و روش ARIMA را در برآورد قیمت محصولات کشاورزی مورد بررسی قرار دادند.
نجفی و همکاران(1385) در مطالعهای اقدام به پیشبینی میزان صادرات پستهی ایران بر اساس دادههای سالهای 1304 تا 1382 با استفاده از روشهای ARIMA و شبکهی عصبی مصنوعی کردند. نتایج این مطالعه نشان داد که شبکهی عصبی پیشخور در مقایسه با سایر شبکههای عصبی و مدل ARIMA عملکرد بهتری در پیش بینی میزان صادرات پسته در ایران دارد.
بیات کشکولی و همکاران ( 1386) با استفاده از روش روند و معادله رگرسیونی به نخمین روند آینده صادرات و واردات چوب و محصولات چوبی در ایران پرداختند. یافتههای محققان نشان می دهد که دادههای پیشبینی حتی با توجه به زیاد بودن در صد خطا اکثر دادهها به خاطر مناسب بودن میانگین انحراف و مطلق برخی از آنها و ضریب تبیین معادلات قابل استناد میباشد و پیشبینی با روش روند دقت بیشتری دارد، همچنین روند میزان و مبلغ پیشبینی شده برای اکثر گروههای چوبی در سال های آینده افزایشی میباشد، مانند کل واردات و صادرات چوب و محصولات چوبی و چوب.
فخرایی (1386) از تکنیک شبکههای عصبی و همچنین الگوهای ساختاری و سریهای زمانی بهمنظور پیشبینی تقاضای آب در شهر تهران استفاده نمود. مقایسه نتایج پیشبینی حاصل از شبکه عصبی با سایر روشهای پیشبینی انجام شده در این مطالعه نشان می دهد که شبکه عصبی بر حسب معیار های مختلف (MSE،RMSE ،MAE و MAPE) عملکرد بهتری در زمینهی پیشبینی تقاضای آب نسبت به الگو های ساختاری و سریزمانی داشته است.
پریزن و اسماعیلی (1387)در پژوهشی برروی مقایسه روشهای کمی در پیشبینی واردات ادویهجات دریافتند که واردات زردچوبه تصادفی و پیش-بینیناپذیر است. بعلاوه مقایسه روشهای مختلف آشکار می سازد که در پیشبینی واردات دارچین و هل روش ARIMA برتری دارد. همچنین نتایج نشان میدهد که واردات دارچین نوسانهای بیشتری نسبت به هل دارد.
فرج زاده و شاه ولی (1387) در پژوهش خود بر روی پیشبینی قیمت پنبه و برنج وزعفران به این نتیجه رسیدند که براساس کمترین معیار خطای پیشبینی، الگوی ARIMA سریهای قیمت اسمی برنج و زعفران را بهتر از سایر روشها پیشبینی میکند. بهترین روش پیشبینی برای سریهای قیمت اسمی و واقعی پنبه نیز به ترتیب با استفاده از الگوی شبکه عصبی مصنوعی و هار مونیک به دست آمد.
طیبی (1388) پژوهش خود را با عنوان پیشبینی قیمت تخم مرغ در ایران: مقایسه روشهای ARCH و شبکههای عصبی مصنوعی که در این تحقیق‌ قیمت تخم مرغ برای‌ افقهای زمانی یک ماهه،شش ماهه و دوازده ماهه پیش‌بینی گردید. داده‌های مورد استفاده شامل متغیر قیمت تخم‌مرغ و دوره مورد مطالعه شامل‌ سالهای 1371-85 است. در این راستا این فرضیه‌ که شبکه عصبی مصنوعی در پیش‌بینی قیمت تخم‌مرغ کارایی بیشتری از روش ARCH دارد بررسی شد. نتایج نشان می‌دهد که شبکه‌های عصبی مصنوعی در بیشتر افقهای‌ زمانی پیش‌بینی‌های دقیقتری در مقایسه با روش ARCH ارائه می‌کند؛ازاین‌رو استفاده از روشهای پیش‌بینی قیمتی که عمدتا متکی بر شبکه‌های عصبی مصنوعی است می‌تواند به تأثیر سیاست‌گذاری قیمتی و حتی تنظیم بازار از طریق پیش‌بینی نوسانهای مختلف کمک کند.
اسماعیل پور( 1388) پژوهش خود با عنوان پیش بینی قیمت تخم مرغ با روشهای ARIMA ، شبکه عصبی مصنوعی و هالت وینترز که در این پژوهش قیمت تخم مرغ با بهصورت ماهانه پیش بینی شد. بر اساس نتایج پژوهش که از دادههای سری زمانی ازفروردین 80 تا پایان اسفند 87 استفاده کرده بود. و پیش بینی با روش شبکه عصبی مصنوعی به واقعیت نزدیکتر است و نسبت به دو روش دیگر برتری داشت.
دشتی (1389 ) پژوهش خود را با عنوان پیش بینی قیمت گوشت مرغ و تخم مرغ با استفاده از شبکه عصبی مصنوعی در ایران که در این مطالعه با هدف پیش بینی قیمت اسمی و واقعی گوشت مرغ و تخم مرغ طی دوره 1346 تا 1384 انجام شده است .پس از بررسی ایستایی سر یهای مورد استفاده برای بررسی تصادفی بودن متغیرها از دو آزمون ناپارامتریک والد- ولفویتز و پارامتریک دوربین- واتسون استفاده شد. براساس نتایج این آزمون ها، تمام سری قیمت اسمی و واقعی محصولات یاد شده به عنوان سری های غیرتصادفی و و ARIMA قابل پیشبینی ارزیابی شدند. الگوهای مورد استفاده برای پیشبینی شامل الگوهای ARIMA شبکه عصبی مصنوعی می باشد. یافته های مطالعه نشان دهنده برتری کامل الگوی پیشبینی قیمت اسمی محصولات منتخب است. درخصوص سریهای قیمت واقعی محصولات نیز روش شبکه عصبی مصنوعی برتری نسبی داشت. اما با وجود این مشخص شدکه در مورد سریهای واقعی منتخب بهتر است که از هر دو روش به صورت همزمان استفاده شو د.
ب) تحقیقات انجام شده در خارج کشور
بسلر(1980) به مقایسه میان توزیع ذهنی برآورد شده توسط کشاورزان از عملکرد محصول و مدلهای پیشبینی در ایالت کالیفرنیا بهطور توام پرداخت. نتایج مطالعه وی نشان داد که در زمینه برآورد میانگین سری مدل ARIMA با نتایج براورد شده کشاورزان سازگاری بیشتری دارد.
مک کیور (1984) او در گزارش خود اطلاعات آماری تولید، مصرف و تجا رت خارجی محصولات جنگلی امریکا را بهصورت جدول و گراف جمعآوری کرد و بهوسیله آنها به بررسی حرکت اقتصادی چوب از جنگلهای ملی تا مصرف کننده در امریکا پرداخته است.
وو و لو (1993) نشان دادند که برای پیشبینی کوتاهمدت قیمت سهام آمریکا شبکه عصبی مصنوعی در مقایسه با روش ARIMA عملکرد بهتری دارد، اما در بلندمدت فرآیندARIMA دقت پیشبینی بهتری دارد.
صبور و ارشاد الحق (1993) نوسانهای روندزمانی، فصلی و سیکلی قیمتهای عمدهفروشی در بنگلادش را با استفاده از مدل ARIMA و هارمونیک برای پیشبینی قیمتهای آینده مورد استفاده قرار دادند. از میان روشهای معمول موجود برای پیشبینی سریهای زمانی، مدل ARIMA از کاربرد گستردهتری برخوردار بوده است.
دسته بندی : علمی