الناز ایقانی اردبیلی

فقدان پیش بینی ساختارمند درخصوص محصول پرکاربرد پلی اتیلن ترفتالات شرکت صنایع پتروشیمی را بر آن داشته است که پیش بینی های قیمت را از شرکت های خارجی خریداری کند. جلوگیری از خروج ارز و تحمل عوامل سیاسی مانند تحریم ها در این حوزه نیازمند پیش بینی علمی قیمت ها در داخل است. به دلیل ماهیت زنجیره وار و نیز عدم اطلاع از میزان تأثیر عوامل متعدد موثر بر قیمت، محققان ناچار هستند به منظور پیش بینی، مسائلی با پیچیدگی زیاد و معادلاتی با درجه بالا حل کنند. انتخاب تعداد و نوع متغیرهای ورودی شبکه عصبی، تأثیر بسزایی در کارایی سیستم دارد، ازاین رو از روش تحلیل بنیادین با تکیه بر تئوری عرضه-تقاضا و نگرش کلان اقتصادی، و روش آماری دلفی جهت انتخاب عواملی با اثرگذاری بیشتر بر قیمت استفاده شده است. ابتدا با استفاده از متغیرهای کنترل شده، توپولوژی کلی شبکه عصبی طراحی شده است. سپس با در نظر گرفتن متغیرهای مستقل، مانند تعداد لایه های پنهان و تعداد نرون ها و بررسی تأثیر آن ها بر کارایی عملکرد شبکه عصبی، شبکه بهینه انتخاب گردید. از معیارهای میانگین مربعات خطا و ضریب تعیین به عنوان متغیرهای وابسته استفاده شده است. بعد از ایجاد رابط کاربری، ارتباط سیستم با شبکه عصبی بهینه برقرارشد. به منظور بررسی عملکرد سیستم، قیمت واقعی محصول مدنظر، در سال مرجع با قیمت پیش بینی شده توسط سیستم پیشنهادی و قیمت خریداری شده از شرکت CMAI مورد مقایسه قرارگرفت و نتایج، کارایی قابل قبول سیستم پیشنهادی را با میانگین خطای کمتراز 3% در پیش بینی قیمت زنجیره مدنظر، اثبات نمود. این سیستم می تواند صنایع پتروشیمی را از خرید اطلاعات پیش-بینی قیمت از شرکت های خارجی بی نیاز سازد.