آمار
| تعداد نشریات | 18 |
| تعداد شماره‌ها | 424 |
| تعداد مقالات | 2,903 |
| تعداد مشاهده مقاله | 2,031,104 |
| تعداد دریافت فایل اصل مقاله | 1,800,623 |
بررسی، تحلیل و پیش‌بینی دادگان فائواستات به منظور استخراج اطلاعات مفید برای مدیریت راهبردی در بخش کشاورزی | ||
| فصلنامه آماد و فناوری دفاعی | ||
| دوره 5، شماره 2 - شماره پیاپی 14، مهر 1401، صفحه 89-114 اصل مقاله (790.08 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حسین هادیان* 1؛ سیدابوالفضل مطهری2؛ محمدرضا خسروی3 | ||
| 1دکتری (مهندسی کامپیوتر)، نویسنده مسئول | ||
| 2استادیار دانشگاه صنعتی شریف | ||
| 3عضو هیئت علمی دانشگاه عالی دفاع ملی | ||
| چکیده | ||
| کشاورزی، یک بخش مهم از تولید ناخالص داخلی کشورهاست که در کشور ایران، بخش کوچکی از آن را تشکیل می‌دهد. هدف از این تحقیق، بررسی، تحلیل و مدل‌سازی دادگان کشاورزی فائواستات به روش‌های هوش مصنوعی برای پیش‌بینی آینده میزان فروش و واردات/صادرات اقلام مختلف ایران و کشورهای دیگر به منظور مدیریت راهبردی بهتر در بخش کشاورزی است. در گذشته، پژوهش‌های مختلفی برای مدل‌سازی تولید اقلام مختلف در کشورهای دیگر و ایران انجام شده است ولی معمولاً محدود به یک کشور و محصول مشخص بوده است. در این تحقیق، ابتدا با بررسی همه‌جانبه دادگان فائواستات به خش‌هایی از آن‌که به سود و مدیریت راهبردی در کشاورزی مرتبط است شناسایی می‌شود. سپس تحلیل و بررسی انواع روش‌های یادگیری ماشین و استوکستیک بر روی محصولات کشاورزی در کشورهای مختلف انجام خواهد شد. با انجام آزمایش‌های مختلف سری‌های زمانی فائواستات با روش افزایش-گرادیان با خطای متوسط MAPE ۱۱٫۳٪ برای یک سال آینده پیش‌بینی شدند که نسبت به خطای روش پایه ARIMA (که برابر با ۱۳٫۷٪ است) ۱۸٪ بهبود نسبی نشان می‌دهد. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی سری زمانی؛ تحلیل استوکستیک؛ دادگان فائواستات؛ مدیریت راهبردی؛ یادگیری ماشین | ||
| مراجع | ||
|
Adhikari, Ratnadip (2013), “An Introductory Study on Time Series Modeling and Forecasting”, Germany, Lambert Academic Publishing.
Bishop, Christopher M. (2006), Pattern Recognition and Machine Learning, USA, Springer.
Chang, Ming-Wei (Nov. 2004), Load forecasting using support vector machines: a study on EUNITE competition, Power Syst IEEE Trans, Vol. 19, No. 4.
Chen, Kai (Dec. 2015), A LSTM-based method for stock returns prediction: A case study of China stock market, IEEE international conference on big data.
Christiaanse, W. R (March 1971), Short-term load forecasting using general exponential smoothing, IEEE Transactions on Power Apparatus and Systems, Vol. 90, No. 2.
Deb, Chirag (July 2017), A review on time series forecasting techniques for building energy consumption, Renewable and Sustainable Energy Reviews, Vol 74, No.1.
Deshmukh, Sagar (March 2016), Forecasting of milk production in India with ARIMA and VAR time series models. Asian Journal of Dairy and Food Research, Vol. 35, No. 1.
Drucker, Harris, Burges, Christopher, Kaufman, Linda (July 1997), Support Vector Regression Machines. Advances in Neural Information Processing Systems, Vol. 88, No. 3.
González, Pedro (June 2005), Prediction of hourly energy consumption in buildings based on a feedback artificial neural network, Energy Build, Vol. 37, No. 6.
Hamzacebi, Coskun (Dec. 2008), Improving artificial neural networks’ performance in seasonal time series forecasting. Information Sciences, Vol. 178, No. 23.
Li, Qiong, Meng, Qingling (Jan. 2009), Predicting hourly cooling load in the building: a comparison of support vector machine and different artificial neural networks, Energy Conversion and Management, Vol. 50, No. 1.
Mills, Terence C. (1990), Time Series Techniques for Economists, Cambridge, Cambridge University Press.
Mintzberg, Henry (1996), The Strategy Process: Concepts, Contexts, Cases, USA, Prentice Hall.
Nasr, G.E. (Jan. 2020), Neural networks in forecasting electrical energy consumption, International Journal of Energy Research, Vol. 26, No. 1.
Nizami, Javeed, Algerni, Ahmed (Dec. 1995), Forecasting electric energy consumption using neural networks, Energy Policy, Vol. 23, No. 12.
Porter, Michael (1998), Competitive Strategy, USA, Free Press.
Rumelhart, David, Hinton, Geoffrey (Oct. 1986), Learning representations by backpropagating errors, Nature, Vol. 323, No. 1.
Tay, Feh (Nov. 2003), Support Vector Machine with Adaptive Parameters in Financial Time Series Forecasting, IEEE Transaction on Neural Networks, Vol. 14, No. 6.
پرویز، لیلا، پیمایی، مهسا (زمستان 1397)، پیش‌بینی اقلیمی استوکستیکی عملکرد چهار گیاه گندم، جو، سیب‌زمینی و ذرت در استان‌های آذربایجان شرقی و غربی در راستای توسعه برنامه‌ریزی کشاورزی، نشریه تولید گیاهان زراعی, دوره یازدهم، شماره ۴.
حسینی، سید محمد طاهر، سی‌وسه مرده، عادل، فتحی، پرویز، سی‌وسه مرده، معروف (بهار 1386)، کاربرد شبکه‌های عصبی مصنوعی و رگرسیون چند متغیره در برآورد عملکرد گندم دیم منطقه قروه استان کردستان، پژوهش کشاورزی، دوره هفتم، شماره ۱.
رحمانی، الهام، خلیلی، علی، لیاقت، عبدالمجید (تابستان 1387)، بررسی کمی تأثیر خشک‌سالی بر عملکرد محصول جو در آذربایجان شرقی به روش رگرسیونی چند متغیره، علوم آب و خاک، دوره دوازدهم، شماره ۴۴.
| ||
|
آمار تعداد مشاهده مقاله: 135 تعداد دریافت فایل اصل مقاله: 317 |
||