چكيده فارسي :
در چند دهه‌ي اخير اهميت الگوريتم‌هاي يادگيري ماشين و پيش‌بيني رويدادهاي آينده بر اساس داده‌ها و تجربيات گذشته اهميت فراواني پيداكرده است. مدل‌هاي پيش‌بيني در تصميم‌گيري‌ها داراي اهميت زيادي هستند زيرا كه در حوزه‌هاي مختلفي چون سلامت، محيط‌زيست، تصميمات مالي و كسب‌وكار كاربرد دارند. در ميان اين مدل‌ها، مدل پرسپترون چندلايه براي پيش‌بيني در مسائل غيرخطي كاربرد فراواني دارد زيرا كه در دنياي امروزه با توجه به حجم زياد داده‌هاي پيچيده، مدل‌هاي غيرخطي شبكه‌هاي عصبي مصنوعي به محققان كمك‌هاي ارزنده‌اي در كشف روابط ميان متغيرها كرده‌اند. در پژوهش‌هاي پيشين براي بهبود دقت و عملكرد شبكه‌هاي عصبي پرسپترون چندلايه و گسترش قابليت تعميم‌پذيري اين مدل‌ها ، همواره تلاش بر بهبود دقت در داده‌هاي آموزش بوده است تا خطا در داده‌هاي آزمون كمينه شود و به‌عبارت‌ديگر مدل قابليت تعميم‌پذيري بيشتري داشته باشد. در حقيقت دقت تنها عامل مؤثر بر تعميم‌پذيري مدل معرفي شده است. در اين پژوهش ابتدا مفهوم اطمينان در مدل‌سازي بيان مي‌شود و مدلي ارائه مي‌شود كه با تعريف معيارسطح اطمينان به دقت در آموزش مدل، منجر به تكرار نتايج خوب و افزايش تعميم‌پذيري مدل شود. هدف كلي اين پژوهش معرفي و پياده‌سازي يك مدل پرسپترون چندلايه‌ي مبتني بر اطمينان است تا با استفاده از افزايش اطمينان در عملكرد مدل آموزش به هدف نهايي كه افزايش تعميم‌پذيري در مدل نهايي است دست‌يابيم. در اين رويكرد برخلاف مدل‌سازي معمول كه بر پايه‌ي كمينه‌كردن مربعات خطا در داده‌هاي آموزش است، داده‌ها بر اساس تفاوت مربعات خطا در داده‌هاي اعتبارسنجي و آزموش مدل‌سازي شده‌اند تا مدل هر بار كمترين تفاوت خطا را در شرايط مختلف داشته باشد. درنهايت براي سه سري از مجموعه داده‌هاي سري‌هاي زماني و يك سري از داده‌هاي سببي اين مدل پيشنهادي پياده‌سازي مي‌شود؛ اين داده‌ها به ترتيب داده‌هاي كنترل رفتار ترافيك شهري، آلودگي هوا، مصرف انرژي و سيستم اشتراك دوچرخه هستند كه هر كدام از موضوعات ذكر شده در حوزه‌ي حمل‌ونقل و محيط‌زيست جاي مي‌گيرند كه از مباحث بحث‌برانگيز و مهم در دنياي مدرن امروزه هستند. درنهايت مدل پرسپترون چندلايه‌ي مبتني بر اطمينان با مدل كلاسيك پرسپترون چندلايه براي چهار مجموعه داده بر اساس ميانگين مربعات خطا و ميانگين قدر مطلق خطا مقايسه مي‌شوند. نتايج نشان مي‌دهد كه رويكرد معرفي شبكه‌هاي عصبي مبتني بر اطمينان به‌طور محسوسي باعث افزايش تعميم‌پذيري در مدل پيش‌بيني مي‌شود و اين نتايج به‌دست آمده از عملكرد مدل بر أساس آزمون تي-استيودنت معنادار است. بنابراين مدل شبكه‌ي عصبي اطمينان محور همراه با نتايچ مطلوب پايدار در شرايط مختلف و احتمال افزايش تعميم‌پذيري نسبت به مدل پايه مي‌تواند پايه و اساسي براي تصميم‌گيري‌هاي آينده در حوزه‌هاي مختلف باشد.
چكيده انگليسي :
In recent decades, the importance of machine learning algorithms and predicting future events based on past data and experiences has become increasingly important. Among forecasting models, time series forecasting is undoubtedly crucial because it is practical in various fields such as heart and barin health, environmental issues, financial decisions and business problems. Among these models, the multilayer perceptron model is very useful for predicting nonlinear problems because in today's world with large volumes of complex data, nonlinear models are very functional and useful. In previous studies, to improve these models and expand their generalizability, there has always been an attempt to improve the accuracy of training data to minimize errors in test data; in other words, in this case, the model has more generalizability. In this research, the aim is to introduce and implement a reliability-based model to achieve the ultimate goal of increasing generalizability by increasing the reliability of training data. This approach is modeled based on the error squares differences in the validation data and is finally implemented for one cross sectional dataset and three time series datasets. These data includes the data of controlling urban traffic behavior, air pollution, bike sharing and energy consumption, respectively, which are all four controversial and important topics in the today modern world. Finally, the reliability-based multilayer perceptron model is compared with the classic multilayer perceptron model for the four datasets, based on MAE and MSE metrics. The results show that the reliability-based model significantly increases the generalizability of the forecasting model, which is a significant improvement and can be a basis for future decisions in various areas.
