به کارگیری مدل داده کاوی هیبریدی (الگوریتم ژنتیک-موجک- شبکه عصبی عمیق- شبیه سازی مونت کارلو) برای پیش بینی قیمت محصولات کشاورزی: مطالعه موردی قیمت آتی زعفران در بورس کالای کشاورزی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پیش بینی قیمت و روند تغییرات آن از مهم ترین عوامل در تصمیم گیری و تدوین راهبرد های مربوط به محصولات کشاورزی است. هدف مطالعه حاضر ارائه یک مدل یا الگوی داده کاوی هیبریدی شامل مجموعه مدل های غیرخطی الگوریتم ژنتیک، تبدیل موجک، شبکه عصبی عمیق و روش مونت کارلو برای پیش بینی دقیق قیمت محصولات کشاورزی بود. این الگوی پیشنهادی از نوع هیبریدی دومرحله ای و مدل پایه هیبریدی غیرخطی- غیرخطی بود و در آن، از الگوریتم ژنتیک برای تعیین وقفه بهینه سری زمانی قیمت، از تابع موجک برای نوفه زدایی داده های قیمت، از شبکه عصبی عمیق برای پیش بینی قیمت، از روش مونت کارلو برای شبیه سازی محتمل ترین احتمال قیمت و در نهایت، از محاسبات پیچیده نرم برای انجام «پیش بینی خارج از نمونه با مجموعه داده های جدید» برای دوره زمانی دوم تا دهم اردیبهشت 1399 استفاده شد. نتایج مقایسه الگوی پیشنهادی «الگوریتم ژنتیک- تبدیل موجک- شبکه عصبی عمیق- مونت کارلو» با سه الگوی رقیب «الگوریتم ژنتیک-شبکه عصبی عمیق- مونت کارلو»، «الگوریتم ژنتیک- تبدیل موجک- شبکه عصبی ساده- مونت کارلو» و «الگوریتم ژنتیک- شبکه عصبی ساده- مونت کارلو»، با استفاده از معیارهای ارزیابی، نشان داد که الگوی پیشنهادی نسبت به سه الگوی رقیب دارای عملکرد بهتری در پیش بینی قیمت زعفران آتی است؛ همچنین، استفاده از شبکه عصبی عمیق در مقایسه با شبکه عصبی ساده و نیز به کارگیری نظریه موجک برای نوفه زدایی و استفاده از روش مونت کارلو برای شبیه سازی قیمت های پیش بینی شده دقت پیش بینی قیمت آتی زعفران را افزایش می دهد. علاوه بر این، استفاده از محاسبات نرم برای انجام «پیش بینی خارج از نمونه با مجموعه داده های جدید» نشان داد که الگوی پیشنهادی از کارآیی لازم و دقت بالا برای پیش بینی کوتاه مدت قیمت آتی زعفران برخوردار بوده، به گونه ای که میزان خطای محاسباتی کمتر از یک درصد (6/0 درصد) است. بنابراین، مطالعه حاضر در دستیابی به شاخص میزان دقت حداکثری، سناریوسازی روند قیمت های آتی، تحلیل حساسیت مؤلفه های مؤثر بر قیمت و سرانجام، پیش بینی قیمت آینده از جایگاهی بسیار مناسب برخوردار است. با توجه به نتایج به دست آمده، استفاده از الگوی پیشنهادی برای پیش بینی قیمت محصولات کشاورزی توصیه می شود.Application of Hybrid Data Mining Model (Genetic Algorithm-Wavelet-Deep Neural Network-Monte Carlo Method) for Forecasting the Price of Agricultural Products: A Case Study of Future Price of Saffron in Agricultural Commodity Exchange
The price forecasting and its changes trend is one of the most important factors in decision making and formulating strategies related to agricultural products. This study aimed at presenting a hybrid data mining model for accurate price forecasting of agricultural products, including nonlinear models of wavelet transform, genetic algorithm, deep neural network and Monte Carlo technique. This proposed model involved a two-stage hybrid model and the base model of nonlinear-nonlinear. In this proposed model, the genetic algorithm for determining the optimal lag of price time series, the wavelet function for the de-noising of price data, the deep neural network for price forecasting, the Monte Carlo method for simulating the most probable price probability and finally, the complex soft calculations for "out-of-sample forecasting with new data set" were used. Results of comparison of the proposed model including "Genetic Algorithm-Wavelet Transform-Deep Neural Network-Monte Carlo", through evaluation criteria, with three competing models of "Genetic Algorithm-Deep Neural Network-Monte Carlo", "Genetic Algorithm-Wavelet Transform-Neural Network-Monte Carlo" and "Genetic Algorithm-Neural Network-Monte Carlo" showed that the proposed model had the better performance in forecasting of future price of saffron compared to the three competing models. Also, the use of deep neural network compared to neural network, the application of wavelet theory for de-noising and also the use of Monte Carlo technique to simulate the predicted prices, increase the forecasting accuracy of future price of saffron. In addition, the use of soft calculations showed that the proposed model had the necessary efficiency and high accuracy for short-term forecasting of the future price of saffron. Therefore, the present study has a good position in achieving the index of maximum accuracy, scenario making of future price trends, sensitivity analysis of components affecting the price and finally, forecasting the future price. Accordingly, the use of the proposed model to forecast the price of agricultural products is recommended.
تبلیغات
