نماذج الشبكات العصبية الاصطناعية المثلى لسلاسل الزمنية
محتوى المقالة الرئيسي
الملخص
تعد الشبكات العصبية الاصطناعية أداة قوية وفعالة في تطبيقات السلاسل الزمنية. ان الهدف الأول في هذا البحث هو تشخيص أفضل واكفئ نماذج الشبكات العصبية الاصطناعي (الانتشار العكسي، دالة الأساس الشعاعي، الشبكة التكرارية) غفي حل السلاسل الزمنية الخطية وغير الخطية. اما الهدف الثاني هو التخلص من مشاكل الامثلية المحلية التي تعد من اهم مشاكل تقدير النماذج غير الخطية، واختبار حصانة نماذج الشبكات العصبية الاصطناعية. من اجل تشخيص افضل او امثل نماذج الشبكات العصبية في هذا البحث، استعمل مهارة التنبؤ لقياس كفاءة أداء نماذج الشبكات العصبية الاصطناعية. كما تم استعمال جذر معدل مربع الخطأ والمتوسط المطلق للخطأ النسبي لقياس دقة خطأ الطرائق المعتمدة. ان اهم ما تم التوصل اليه من خلال هذا البحث هو الشبكة العصبية الاصطناعية الأمثل كانت شبكة الانتشار العكسي والشبكة التكرارية لحل السلاسل الزمنية سواء كانت الخطية او غير الخطية. اثبت النتائج عدم كفاءة ودفة شبكة دالة الأساس الشعاعي لمعالجة السلاسل الزمنية غير الخطية، وكفاءتها في السلاسل الزمنية الخطية او شبه الخطية فقط، وعدم مقدرتها على التخلص من مشاكل الامثلية المحلية. النتائج المقدمة في هذا البحث تحسن من طرائق الحديثة لمعالجة التنبؤ بالسلاسل الزمنية.
Received 22/4/2021
Accepted 11/8/2021
Published Online First 20/1/2022
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Remus W, O’Connor M. Neural networks for time-series forecasting. In: Principles of forecasting. Springer; 2001. p. 245–256.
Li Q, Meng Q, Cai J, Yoshino H, Mochida A. Predicting hourly cooling load in the building: A comparison of support vector machine and different artificial neural networks. Energy Convers Manag. 2009;50(1):90–6.
Etheridge HL, Sriram RS, Hsu HYK. A comparison of selected artificial neural networks that help auditors evaluate client financial viability. Decis Sci. 2000;31(2):531–50.
Celikoglu HB. Application of radial basis function and generalized regression neural networks in non-linear utility function specification for travel mode choice modelling. Math Comput Model. 2006;44(7–8):640–58.
Harikumar R, Vijayakumar T. A comparison of elman and radial basis function (rbf) neural networks in optimization of fuzzy outputs for epilepsy risk levels classification from eeg signals. Int J Soft Comput Eng. 2013;2(6):295–303.
Li G, Shi J. On comparing three artificial neural networks for wind speed forecasting. Appl Energy. 2010;87(7):2313–20.
Zhao X, Han M, Ding L, Calin AC. Forecasting carbon dioxide emissions based on a hybrid of mixed data sampling regression model and back propagation neural network in the USA. Environ Sci Pollut Res. 2018;25(3):2899–910.
Zhang GP. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing. 2003 Jan 1;50:159-75..
Xiong T, Li C, Bao Y. Seasonal forecasting of agricultural commodity price using a hybrid STL and ELM method: Evidence from the vegetable market in China. Neurocomputing. 2018;275:2831–44.
Zhang D, Martinez N, Lindholm G, Ratnaweera H. Manage sewer in-line storage control using hydraulic model and recurrent neural network. Water resources management. 2018 Apr;32(6):2079-98.
Ashour M, Al-Dahhan I, Hassan A. Forecasting by Using the Optimal Time Series Method. InInternational Conference on Human Interaction and Emerging Technologies Springer 2020 Apr 2: 148-154.
Abbas RA. Improving time series forecast errors by Using Recurrent Neural Networks. Proceedings of the 7th International Conference on Software and Computer Applications. NY united states 2018: 229–232.
Abdul M, Ashour H, Jamal A, Alayham R, Helmi A. Effectiveness of Artificial Neural Networks in Solving Financial Time Series. Int J Eng Technol. 2018;7(4.11):99-105.
Tang Z, De Almeida C, Fishwick PA. Time series forecasting using neural networks vs. Box-Jenkins methodology. Simulation. 1991 Nov;57(5):303-10.
Krishna B, YR Satyaji R, PC N. Time series modeling of river flow using wavelet neural networks. J Water Resour Prot. 2011 Jan 29;2011.
Ashour MA, Al-Dahhan IA. Turkish lira Exchange rate forecasting using time series models. Int e-j adv Soc Sci. 2020;6(16):294-300.
Tawfiq LNM. Stability of Back Propagation Training Algorithm for Neural Networks. Baghdad Sci J. 2012;9(4):713-719.
Tawfiq LN. On Training Of Feed Forward Neural Networks. Baghdad Sci J. 2007;4(1):158-164.