رويكردهاي جديد در پيش‌بيني با استفاده از شبكه‌هاي عصبي- فازي: قيمت نفت

New Approaches in Forecasting Using

دنياي امروز دنياي تغيير است و دانستن اين‌كه در آينده چه موقعيتي در انتظار ما است، تقاضاي محصولات ما چه قدر است و يا آن‌ها را به چه قيمتي مي‌توانيم به فروش برسانيم، عامل مهمي در حفظ حيات و بقاي سازمان‌ها است. براي دسترسي به آينده بايد بتوانيم پيش‌بيني كنيم. با پيشرفت روزافزون علم، استفاده از روش‌هاي جديد و به كارگيري تكنولوژي‌هاي هوشمند رونق بسياري پيدا كرده است. در اين تحقيق كاربرد علم پيش‌بيني در مديريت مورد پژوهش قرار گرفته و سعي شده است كه روش‌ها و الگوريتم‌هاي جديد مانند شبكه‌هاي عصبي و منطق فازي تشريح شده و كاربرد تركيب اين دو روش در پيش‌بيني بررسي شود. از همين رو نخست با استفاده از چندين روش مختلف مانند ميانگين متحرك ساده، ميانگين متحرك موزون، نمو هموار ساده، نمو هموار دوبل، روند خطي، روند تابع تركيبي و روند نمايي پيش‌بيني مورد نظر انجام شد، سپس نتايج اين روش‌ها هم با نتايج حاصل از روش شبكه‌هاي عصبي فازي با استفاده از شش معيار اندازه‌گيري خطاي پيش‌بيني مقايسه گرديد و اين نتيجه به دست آمده كه در همه معيارها، روش شبكه‌هاي عصبي فازي نسبت به ساير روش‌ها برتري دارد و ميزان تطابق داده‌ها (ضريب2R) مربوط به شبكه‌هاي عصبي- فازي90 درصد است. داده‌هاي استفاده شده در اين تحقيق مربوط به سال‌هاي 1970- 2005 ميلادي كشورهاي صادر كننده نفت (اوپك) بوده است.

Our world is a rapidly changing world. So it is very important for the survival of organizations to know what lies ahead in the future, how much demand is there for their products and for what price? We cannot afford big changes unless we are able to predict the future. The application of predictability science in management has been studied in this research. With the increasing progress of science, the use of new methods and application of new intelligent technologies have also increased. In this research, new methods and algorithms such as neural networks and fuzzy logic have been explained and the application of their combination in predictability has been studied. Various methods such as Moving Average Method, Weighted Moving Average, Exponential Smoothing, Double Exponential Smoothing, Linear Trend, Combined Functional Trend, and Exponential Process were used to make predictions. The results obtained from these methods were compared with the those obtained from the neru-fuzzy networks method using 6 error measurement criteria. It was found that the neru-fuzzy networks method yielded better results, and the correspondence of data (R2 coefficient) for the Neru-fuzzy networks was about 90 percent. The data used in this research were related to the Organization of the Petroleum Exporting Countries (OPEC) for the years 1970-2000. Keywords: , , ,