پیش بینی واردات برنج با روش های ARIMA و هالت وینترز- قسمت ۱۰

روش هالت-وینتزر جمعی (با سه پارامتر )
این روش برای سریهایی با روندزمانی خطی و تغییرات فصلی جمعشونده بهکار برده میشود. (نیرومند و دیگران، ۱۳۸۹: ۱۵۱)
که سریهای هموار شده بارابطه (۲-۳۰) بهدست میآیند.
(۲-۳۰) Ŷt+k = a + k b + c t+k
که a و b جزء مولفههای دایمی هستند و cفاکتور جمعشونده فصلی است.
این سه ضریب با روابط (۲-۳۱)، (۲-۳۲) و (۲-۳۳) تعریف میشوند.
A (t) = α ( y– c( t – s)) + (1- α) (a (t- 1) + b (t- 1)) (2-31)
B (t) = β ( a (t) – a (t- 1)) + 1 – β b (t- 1) (2-32)
C(t) = γ ( y– a (t+ 1)) – γ c(t- s) (2-33)
که در آن ۱>α، β و γ>0 و فا کتورهای تعدیلکننده هستند و s فراوانی فصلی است که در محل دوره فصلی قرارمیگیرد.
پیشبینیها بهوسیله رابطه (۲-۳۴) محاسبه میشوند.
(۲-۳۴) Ŷt + k = a (t) + b(t) k + ct + k – s
که فاکتورهای فصلی از آخرین s تخمین زده شده بهکار گرفته شدند.
۲-۱۲ ارزیابی عملکرد روشهای مختلف پیشبینی و انتخاب بهترین مدل پیشبینی
مطالعات مختلفی در زمینه ارزیابی عملکرد روشهای پیشبینی انجام شده است. هدف از انجام این پژوهشها تعیین بهترین روش یا معیار ارزیابی عملکرد این روشها بوده است. بر این اساس، معیارهای متنوعی برای بررسی دقت روشهای مختلف پیشبینی وجود دارد که رایجترین آنها معیار ریشه میانگین مجذور خطاهای پیشبینی(RMSE[37]) است. در این پژوهش نیزاز معیار RMSE جهت ارزیابی عمکرد استفاده میشود که ارزیابی عملکرد بر اساس کمترین مقدار معیار یا کمترین خطای پیشبینی است.
RMSE مجذور میانگین مربع خطاهای پیشبینی است که بهصورت رابطه (۲-۴۱) محاسبه میشود.
(۲-۳۵)
که در آن:
: مقدار واقعی در زمان t
: مقدار پیش‌بینی شده در زمان t
N : تعداد کل مشاهدات
از آنجایی که  ، خطای پیشبینی (  )است. رابطه (۲-۴۱) را میتوان به صورت رابطه (۲-۴۲) بیان کرد.
(۲-۳۶)
۲-۱۳ آزمون والد-ولفویتز
روش والد-ولفویتز بر اساس علامتهای حاصل از اختلاف بین اعداد موجود در یک سری با میانه آن سری است. اگر  یک سری nتایی بوده و میانه آن  باشد، سری علامت های جملات اخلال (  ) مورد توجه خواهد بود. یک دوره بر این اساس مشاهداتی از جملات اخلال را در بر میگیرد که دارای علامت مشابه هستند. تعداد دوره موجود در یک سری کاملاً تصادفی بهصورت رابطه (۲-۴۳) محاسبه میشود (دی، ۱۹۶۵).
(۲-۳۷)
که درآن p تعداد مثبت ها،  تعداد منفیها، n تعداد نمونه و E(D) تعداد دوره موجود در یک سری کاملاً تصادفی است. واریانس تعداد دورهها در یک سری کاملاً تصادفی بهصورت رابطه (۲-۴۴) محاسبه میشود.
(۳۸-۲)
در رابطه (۲-۳۸)  واریانس تعداد دورهها در یک سری کاملاً تصادفی است. تابع آزمون بهصورت نرمال با میانگین E(D) و واریانس  است. این تابع بهصورت رابطه (۲-۳۹) است.
t = (39-2)
که درآن D تعداد دوره در سری مورد مطالعه است. t محاسباتی از t جدول کوچکتر باشد فرض H0 مبنی بر تصادفی بون سری پذیرفته میشود.
۲-۱۴ پیشینه پژوهش
الف) تحقیقات انجام شده در داخل کشور
گیلا نپور و کهزادی(۱۳۷۶) با استفاده از مدل ARIMA قیمت برنج تایلندی را پیشبینی نمودند.
مجاوریان و امجدی (۱۳۷۸) قیمت مرکبات را با استفاده از روشهای معمول سری زمانی و توابع مثلثاتی پیشبینی نمودند.
قاسمی و همکاران(۱۳۷۹) نیز به پیشبینی قیمت شیر با استفاده از شبکههای عصبی مصنوعی و مدل ARIMA پرداخته و دریافتند که خطای پیشبینی مدل شبکه عصبی ۹ تا ۲۲ درصد کمتر از مدل ARIMA است.
اسدپور و همکاران (۱۳۷۹برای پیشبینی قیمت ماهیانه شیر از دو روش شبکه عصبی مصنوعی و الگوی ARIMA استفاده کردند. نتایج مطالعات نشان داد که میانگین مربعات خطا و میانگین قدر مطلق خطا درمورد شبکههای عصبی نسبت به ARIMA به ترتیب ۸۵/۸ درصد و ۷۹/۲۱درصد کمتر است. لذا الگوی شبکه عصبی برای پیشبینی دقیق قیمت شیر میتواند در کوتاهمدت استفاده قرار گیرد.
مشیری (۱۳۸۰) با هدف پیشبینی تورم در ایران بر اساس دادههای سالهای۱۳۷۷-۱۳۳۳، از مدلهای ساختاری تورم، مدلهای سریزمانی و شبکههای عصبی مصنوعی استفاده کردند. نتایج حاصله حاکی از آن بود که شبکههای عصبی در زمینهی پیشبینی تورم نسبت به سایر مدلها عملکرد بهتری دارند.
توفیقی (۱۳۸۱)با توجه به ماهیت دادههای سریزمانی طی دوره ۱۳۷۸-۱۳۳۸ ثبات در مدل تقاضای واردات در ایران را با استفاده از الگوی خود رگرسیون برداری مورد بررسی قرار داد نتایج حاکی از آن بود که درآمدهای نفتی و تولید ناخالص داخلی بدون نفت، اثری مثبت و قیمتهای نسبی (نسبت قیمت کالاهای وارداتی به کالاهای تولید شده در داخل) اثر منفی بر تقاضای واردات کل (کل ، واسطه ای، سرمایهای و مصرفی) دارند.
عباسیان و کرباسی (۱۳۸۲) با توجه به اهمیت پیشبینی در سرعت بخشیدن به تصمیمگیریها به بررسی و تحلیل سری زمانی تولید تخم مرغ و قیمت عمده این محصول پرداختند.
رمضانی (۱۳۸۳) به مقایسه عملکرد پیشبینی در الگوهای شبکه عصبی مصنوعی و روش ARIMA درمورد تقاضای ماهیانه برق در ایران پرداخته است. با استفاده از معیارهای RMSE و MAPE نتیجه حاصل شد ه است که الگوهای شبکه عصبی مصنوعی در پیشبینی تقاضای برق ماهیانه از الگوهای 

برای دانلود متن کامل پایان نامه به سایت zusa.ir مراجعه نمایید.

ong>ARIMA عملکرد بهتری داشته است.