مقارنة بعض الطرائق اللامعلمية باستعمال المحاكاة
DOI:
https://doi.org/10.31272/jae.i129.66الكلمات المفتاحية:
السلاسل الزمنية ، الانحدار اللامعلمي، مقدر Nadaraya-Watson، الذكاء الصناعي، الشبكات العصبية الاصطناعية، الانتشار الخلفي للخطأالملخص
ظهرت الحاجة لمقارنة الطرائق اللامعلمية المستعملة في التنبؤ بالسلاسل الزمنية لإيجاد الأسلوب الأكثر كفاءة في التنبؤ، وكان هذا بالحقيقة يمثل الهدف الأساس لإجراء هذه الدراسة. وتلخصت مشكلة البحث بان الطرائق الاحصائية المعلمية تحتاج الى شروط ومعايير قد يصعب توافرها لذلك توجب البحث عن طرائق جديدة للتنبؤ بخلاف الطرائق التقليدية هي الطرائق اللامعلمية. وكانت المقارنة من خلال تطبيق اسلوب المحاكاة حيث تم توليد البيانات عن طريق معادلة التوليد المقيد بالاعتماد على البيانات الاصلية اقل قيمة واعلى قيمة لكل نوع من البيانات. ومحور الدراسة هي مقارنة بين طريقتي الشبكات العصبية (شبكة الانتشار الخلفي للخطأ) وطريقة Kernel (مقدر Nadaraya-Watson ) اما حجوم العينات فتم اختيار الحجوم (15 و 30 و 60 و 100) اما فيما يخص المعايير التي استعملت للمقارنة فكانت (MSE , RMSE, MAE, MAPE).
اظهرت النتائج ومن خلال المحاكاة َ أن الشبكات العصبية تعطي نتائج افضل واكثر كفاءة من طريقة Kernel في اغلب المقاييس ولجميع حجوم العينات.
المراجع
1) احمد, جحا و المسلاتي, عبد الله .2019, استخدام الشبكات العصبية للتنبؤ بالسلاسل الزمنية باستخدام طريقة التدريب ذات الانتشار الخلفي " كلية التقنية الصناعية, مصراته, ليبيا .
2) حازم, عزة. 2005, استخدام الشبكات العصبية في التكهن للسلاسل الزمنية بتطبيق على استهلاك الطاقة الكهربائية في محافظة نينوى , رسالة ماجستير, كلية علوم والحاسبات والرياضيات, جامعة الموصل.
3) الشوادفي, جمال احمد, السيد حجاج, عبد الوهاب 2013, الذكاء الاصطناعي مفهوما وتطبيقا, المجلة العلمية لقطاع كليات التجارة, جامعة الازهر, العدد العاشر .
4) شيخي , محمد .2011 , طرق القياس الاقتصادي محاضرات وتطبيقات , استاذ وباحث في جامعة ورقلة , الجزائر, الطبعة الاولى ,الحامد.
5) صليوا. رهاد, والبدراني, ظافر, 2014, تقييم تنبؤ السلسلة الزمنية لمعدلات درجات الحرارة باستخدام الشبكات العصبية, المجلة العراقية للعلوم الاحصائية ص 1-19.
6) عبد الحميد, مروان, 2019 "الشبكات العصبية الاصطناعية وطرائق تنبؤ السلاسل الزمنية", دار الكتب والوثائق, بغداد.
7) Hinton, Geoffrey. (1992). How Neural Networks Learn From Experience. Scientific American. 267. 144-51. DOI: https://doi.org/10.1038/scientificamerican0992-144
8) Hong, Yongmiao,(2020),"Introduction to Nonparametric Analysis in Time Series Econometrics " Chapter 6 of a manuscript entitled as Modern Time Series Analysis: Theory and Applications.
9) Luger, George (2009)" Artificial intelligence : structures and strategies for complex problem solving" University of New Mexico 6th ed.
10) Vilar, Juan & Cao, Ricardo. (2007)". Nonparametric Forecasting in Time Series - A Comparative Study". Communications in Statistics: Simulation and Computation. 36. 10.1080/03610910601158377. DOI: https://doi.org/10.1080/03610910601158377
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2021 مجلة الإدارة والاقتصاد
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
مجلة الإدارة والاقتصاد هي مجلة مفتوحة المصدر حيث تكون جميع محتوياتها مجانية. تخضع مقالات هذه المجلة لشروط ترخيص المشاع الإبداعي المنسوب إلى المؤلف (CC-BY 4.0) (https://creativecommons.org/licenses/by/4.0/legalcode) الذي يسمح للمرخص لهم دون قيود بالبحث عن النص الكامل للمقالات أو تنزيله أو مشاركته أو توزيعه أو طباعته أو ربطه به، وفحصه للفهرسة وإعادة إنتاج أي وسيلة للمقالات بشرط أن ينسبوا إلى المؤلفين الفضل في ذلك (الاستشهاد). تسمح المجلة للمؤلفين بالاحتفاظ بحقوق الطبع والنشر لمقالهم المنشور.
. Creative Commons-Attribution (BY) 
