یکی از پرکاربردترین الگوهای پیش بینی سری زمانی طی سه دهه اخیر، الگوی خود توضیح جمعی میانگین متحرک (ARIMA) می باشد. مطالعات اخیر در زمینه پیش بینی با شبکه عصبی مصنوعی موید برتری این روش بر الگوهای خطی سنتی است. این در حالی است که هیچ یک از این روش ها از کفایت لازم در پیش بینی سری های زمانی برخوردار نمی باشند. زیرا الگوی ARIMA توانایی شناخت روابط غیرخطی را نداشته و ANN به تنهایی قادر به شناسایی و بررسی هم زمان هر دو الگوی خطی و غیر خطی نمی باشد. از این رو با ترکیب الگوهایARIMA و ANN و طراحی الگوی تلفیقی روابط موجود در داده ها با دقت بیشتری الگوسازی می شود. در مطالعه حاضر، الگوی تلفیقی ARIMA و ANN طراحی و دقت پیش بینی آن با الگوهای رقیب مقایسه شده است. دقت پیش بینی الگوها با استفاده از معیارهای معمول نظیر MSE، RMSE و MAE و همچنین معنی داری اختلاف میان معیارهای فوق با استفاده از آماره گرنجر و نیوبولد بررسی و آزمون شد. نتایج پیش بینی های قیمت گندم حاکی از آن است که الگوی تلفیقی به طور معنی داری دقت پیش بینی به دست آمده از الگوهای انفرادی را افزایش می دهد.
