مقايسه الگو‏هاي ميانگين متحرك خود رگرسيون انباشته، رگرسيون فازي و رگرسيون انباشته فازي به منظور پيش‏بيني قيمت (مطالعه موردي: قيمت گوشت گوسفند)

Comparison of ARIMA, Fuzzy Regression and Fuzzy Auto Regressive Integrated Moving Average Methods in Price Forecasting(Case Study: lamb prices)

امروزه به علت عدم قطعيت محيط و توسعه سريع تكنولوژي نوين معمولاً بايد موقعيت‏هاي آينده را با استفاده از داده‏هاي كم و در بازه زماني كوتاه‏مدت پيش‏بيني كرد. بنابراين به روش‌هايي براي پيش‏بيني نياز است كه به داده‏هاي كمتري احتياج داشته باشد. مدل ميانگين متحرك خودرگرسيون و روش شبكه عصبي مصنوعي براي دست‏يابي به نتايج دقيق نياز به داده‏هاي زيادي دارند اما مدلهاي رگرسيون فازي، مدل‏هاي مناسبي براي پيش‏بيني با استفاده از داده‏هاي كمتري نسبت به ديگر روشها مي‏باشند. در اين مقاله به منظور برطرف ساختن مشكل مذكور و حصول نتايج دقيق‏تر به بررسي سه روش ميانگين متحرك خود‏رگرسيون انباشته، رگرسيون فازي و ميانگين متحرك خود‏رگرسيون انباشته فازي كه از تركيب دو روش قبل بدست آمده، پرداخته شده است. مقايسه ميزان صحت پيش‏بيني مدل‏هاي مذكور براساس دو معيار خطاي ريشه متوسط مربعات(RMSE) و ضريب تعيين (R2 ) حاكي از آن است كه مدل ميانگين متحرك خود‏رگرسيون انباشته فازي به عنوان الگوي برتر جهت پيش‏بيني مقادير شاخص قيمت بوده است.

Nowadays, due to the environmental uncertainty and rapid development of new technologies, economic variables are often predicted by using less data and short-term timeframes. Therefore, prediction methods which require fewer amounts of data are needed. Auto Regressive Integrated Moving Average (ARIMA) model and Artificial Neural Networks (ANNs) need large amounts of data to achieve accurate results, however Fuzzy Regression (FR) models, compared with other models, are more suitable for conditions with less attainable data. In order to solve the above mentioned problem and to achieve more accurate results, in the present paper three methods have been evaluated: Auto Regressive Integrated Moving Average (ARIMA), Fuzzy Regression (FR), and Fuzzy Auto Regressive Integrated Moving Average (FARIMA) which is resulted by combining ARIMA and Fuzzy methods. Comparing the accuracy of predictions, based on two criteria RMSE and R2, indicated that Fuzzy Auto Regressive Integrated Moving Average (FARIMA) had the best results in forecasting the price index.