پديد آورنده :
خالقي فر، علي
عنوان :
ارائه‌ي روشي جهت تعيين دقت مدلهاي پيشبيني تركيبي در ساختار موازي پيش از اجرا
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
سيستم هاي كلان
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
نه، 85 ص.: مصور، جدول، نمودار
استاد راهنما :
مهدي بيجاري، مهدي خاشعي
توصيفگر ها :
پيش بيني , تركيب مدل هاي پيش بيني , ميانگين مربعات خطا , مسئله ي وزن دهي
استاد داور :
غلامعلي رئيسي اردلي، مهدي ايرانپور
تاريخ ورود اطلاعات :
1400/09/29
رشته تحصيلي :
مهندسي صنايع
دانشكده :
مهندسي صنايع و سيستم ها
تاريخ ويرايش اطلاعات :
1400/09/29
چكيده فارسي :
دقت مدلهاي پيشبيني در ساليان اخير مورد توجه بسياري از محققين اين حوزه قرار گرفتهاست. يكي از مهم‌ترين و موثرترين عوامل در انتخاب يك مدل پيشبيني مناسب، دقت آن يا ميزان خطاي موجود در آن مدل است. اهميت بالاي دقت پيشبينيها در علوم مختلف از جمله مديريت و تصميمگيري موجب شده پژوهشهاي گوناگوني در حوزهي بهبود دقت مدلهاي پيشبيني صورت پذيرد. يكي از راهكارهاي شناختهشده و پركاربرد جهت بهبود دقت و كاهش خطا، استفاده از مدلهاي تركيبي است. تركيب مدلها علاوه بر رفع نقصهاي موجود در مدلهاي تكي، سبب بهره بردن از خصايص منحصربهفرد مدلهاي مختلف به صورت همزمان و در نتيجه بالا رفتن دقت پيشبيني ميگردد. يكي از رويكردهاي موجود در تركيب مدلها، استفاده از ساختار موازي است كه در آن، مقدار پيشبيني از ميانگين وزني مدلهاي تكي محاسبه ميشود. در اين پاياننامه چارچوبي در جهت محاسبهي خطاي مدل پيشبيني تركيبي پيش از اجرا و به كمك روابط به دست آمده از خطاهاي مدلهاي تكي ارائه شده‌است. به منظور محاسبهي خطاي مدلها از شاخص ميانگين مربعات خطا (MSE) استفاده شده و با تجزيه‌ي اين شاخص به اجزاي كوچكتر، جنبه‌هاي مختلف خطا بررسي گرديده‌است. همچنين رابطه‌ي مذكور جهت محاسبهي ضريب تعيين نيز معرفي شده‌است. روابط اثبات‌شده در اين تحقيق نشان ميدهد ميزان خطا در مدلهاي تركيبي علاوه بر ميزان خطاي مدلهاي تكي، به ميزان هم¬بستگي ميان مدلهاي سازنده‌ي تركيب نيز بستگي دارد بدين ترتيب كه هرچه مدلهاي تركيب شده از قدر مطلق هم‌بستگي پايين‌تري برخوردار باشند، مدل تركيبي خطاي كمتري خواهد داشت. علاوه‌براين، با استفاده از اين روابط و تعريف مسئلهي كمينه‌سازي مقدار خطا و حل آن، مي‌توان اوزان بهينه در حالت تركيبي را به صورت پارامتري تعيين نمود. چارچوب معرفي شده ميتواند ابزاري قدرتمند جهت تسهيل فرآيند تركيب مدلها تلقي گردد و بسياري از هزينه‌هاي ناشي از مدل‌سازي و اجراي آن را كاهش دهد و همچنين در زيرشاخههاي مختلف حوزهي پيشبيني مانند انتخاب مدلها، انتخاب ويژگيها، وزندهي ويژگيها و از اين قبيل موارد به كار گرفتهشود.
چكيده انگليسي :
In recent years, many researchers have considered the accuracy of forecasting models in this field. One of the most essential and efficient factors in choosing an appropriate forecasting model is its accuracy or the amount of an existing error. The high importance of accuracy of forecasting in various sciences, like management and decision making, has been leading to various researches in the field of improving the accuracy of forecasting models. One of the well-known and widely used solutions to improve accuracy and reduce errors is using hybrid models. The combination of models not only eliminates the weaknesses of individual models but also leads the use of unique features of different models simultaneously and thus increases the accuracy of forecasting. One of the approaches in combining models is to use a parallel structure in which the forecasted value is calculated from the weighted average of individual models. In this dissertation, a framework is presented with the assistance of the relations obtained from the errors of individual models for calculating the error of the hybrid models before execution. To calculate the error of the models, the mean squared error (MSE) was applied, and by breaking this index into smaller components, different aspects of the error were investigated. The mentioned relation also is converted to calculate the coefficient of determination. The proven relations in this study show that the error rate in hybrid models depends on both the error rate of individual models and the correlation between constituent models. Therefore, the lower the absolute correlation of the combined models, the lower error the hybrid model will have. In addition, by using these relations and defining the problem of minimizing the amount of error and solving it, the optimal weights in the combined model can be parametrically determined. The introduced framework can be considered as a powerful tool to facilitate the process of combining models and reduce many of the costs of modeling and its implementation, and also would be applied in various sub-areas of the forecasting field such as model selection, feature selection, feature weighting and so on.
استاد راهنما :
مهدي بيجاري، مهدي خاشعي
استاد داور :
غلامعلي رئيسي اردلي، مهدي ايرانپور
