شبکه عصبی مصنوعی

آگاهی از میزان تقاضای انرژی برق در هر دوره، به منظور برنامه ریزی دقیق و اعمال سیاستگذاری های لازم، امری ضروری است.  از این رو، پیش بینی تقاضای آن، برای بخش های مختلف اقتصادی حائزاهمیت است.  در این مقاله به مطالعه ی تطبیقی روش های غیرخطی شبکه های عصبی مصنوعی و تبدیل موجک- شبکه ی عصبی و فرایند خطی  ARMAدر پیش بینی تقاضای روزانه برق در بازه ی زمانی یک تا ده گام به جلو پرداخته شده است.  نتایج حاصل از به کارگیری معیارهای سنجش RMSE و MAPE نشان داد که مدل های غیرخطی تبدیل موجک و شبکه ی عصبی پیشخور، نسبت به مدل ARMA،در پیش بینی روزانه تقاضای برق کشور از دقت بالایی برخوردار است.

در بسیاری از مطالعات برای پیش بینی متغیرهای اقتصادی اغلب از روش های کمی مبتنی بر داده های سری زمانی یا مقطع زمانی استفاده می شود. مطالعات سری زمانی و مقطع زمانی ناهمگنی کشورها را کنترل نمی کنند و همواره ریسک به دست آورن نتایج و پیش بینی های اریب دار وجود دارد. داده های پانل اطلاعات و درجه آزادی بیشتری را فراهم می آورد که این امر موجب حصول نتایج و پیش بینی های دقیق تری می شود. با توجه به سهم قابل توجه خشکبار از صادرات غیرنفتی کشور، در این مطالعه از روش ترکیبی شبکه عصبی مصنوعی-پانل دیتا برای پیش بینی قیمت صادرات پسته، کشمش و خرما استفاده گردید و پس از آن عملکرد پیش بینی بر اساس معیارهای دقت با الگوی رگرسیونی (مدل جزء خطای دو طرفه) مورد مقایسه قرار گرفت. با استفاده از داده های مربوط به ده بازار مقصد برای هریک از خشکبار مورد بررسی طی دوره ی 91-1371، نتایج پژوهش نشان داد که رویکرد جدید و ترکیبی شبکه عصبی مصنوعی-پانل دیتا در پیش بینی قیمت صادرات پسته، کشمش و خرمای ایران در مقایسه با روش رگرسیونی دارای عملکرد بهتری است. لذا به صادرکنندگان، سیاست گذاران و محققین توصیه می گردد که از این روش در پیش بینی متغیرهای اقتصادی استفاده نمایند.

هدف پژوهش حاضر مقایسه پیش بینی شاخص سهام با استفاده از مدل های ترکیبی مبتنی بر الگوریتم ژنتیک و جستجوی هارمونی با شبکه عصبی معمولی است. مربوط ترین نماگرهای تکنیکی به عنوان متغیرهای ورودی و تعداد بهینه نرون لایه پنهان شبکه عصبی مصنوعی با استفاده از الگوریتم های فراابتکاری ژنتیک و جستجوی هارمونی تعیین شده است. مقادیر روزانه شاخص قیمت بورس اوراق بهادار تهران از تاریخ 1/10/91 الی 30/9/94 جهت پیش بینی شاخص قیمت و آزمون آن استفاده شده است. دقت پیش بینی سه مدل شبکه عصبی معمولی، شبکه عصبی هیبریدی مبتنی بر الگوریتم ژنتیک و شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی بر اساس میزان خطای پیش بینی ارزیابی شده است. نتایج نشان می دهد دقت پیش بینی مدل های فراابتکاری ژنتیک و جستجوی هارمونی در دوره آزمون بالاتر از شبکه عصبی عادی است. همچنین پیش بینی مدل شبکه عصبی هیبریدی مبتنی بر جستجوی هارمونی در دوره آزمون نسبت به مدل شبکه عصبی مصنوعی هیبریدی مبتنی بر الگوریتم ژنتیک از دقت بالاتری برخوردار است.

متغیرهای اقلیمی مهم ترین عوامل تأثیرگذار بر تغییرات پوشش گیاهی محسوب می شوند. امروزه از تصاویر ماهواره ای به طور گسترده ای برای بررسی اثر نوسانات متغیرهای اقلیمی بر تغییرات پوشش گیاهی استفاده می گردد. هدف از پژوهش حاضر بررسی رابطه متغیر اقلیمی بارش، دما و رطوبت بر تغییرات شاخص های پوشش گیاهی باغات پرتقال حسن آباد داراب با استفاده از داده های ماهواره ای می باشد. بدین منظور داده های مشاهداتی، شامل داده های فنولوژی درخت پرتقال و داده های هواشناسی در بازه زمانی ده ساله (1385 تا 1395) مربوط به ایستگاه هواشناسی کشاورزی حسن آباد داراب جمع آوری شده است. تصاویر سنجنده مودیس برای سال 1385 تا 1395 با توجه به داده های زمینی و نقشه های 1:25000 سازمان نقشه برداری زمین مرجع شدند. این تصاویر برای محاسبه شاخص های پوشش گیاهی سنجش ازدوری شامل شاخص تفاضلی نرمال شده پوشش گیاهی (NDVI)، شاخص وضعیت پوشش گیاهی (EVI) استفاده گردید. نتایج نشان داد که متغیرهای حداکثر رطوبت، حداقل دما و بارش دارای تأثیر مثبت معنی دار بر متغیر NDVI هستند. به علاوه متغیرهای حداکثر دما، حداقل رطوبت دارای تأثیر منفی معنی دار بر متغیر وابسته NDVI و EVI هستند. به منظور تعیین اهمیت هریک از متغیرهای مستقل در پیش بینی متغیرهای وابسته از روش شبکه عصبی مصنوعی استفاده شد. یافته ها نشان داد که عناصر اقلیمی بارش، حداقل دما، حداکثر دما، حداقل رطوبت و حداکثر با مقادیر به ترتیب (39/0، 3/0، 13/0، 1/0 و 06/0 ) بیشترین تأثیر را بر EVI دارند. به علاوه تاثیر این متغیرها بر شاخص NDVI به ترتیب ضرایب آنها (2/0، 28/0، 22/0، 11/0 و 17/0) می باشد.درنهایت به منظور افزایش قدرت توضیح دهندگی مدل از روش رگرسیون ARMAX استفاده شد. نتایج نشان داد استفاده از این روش منجر به افزایش قدرت توضیح دهندگی مدل، کاهش خطای پیش بینی می گردد.

با توجه به شرایط اقتصادی امروز کشور، تعداد شرکت های درمانده و اهمیت درماندگی مالی روزبه روز در حال افزایش است. افزایش عوامل اقتصادی تأثیرگذار بر درماندگی مالی نیز بر پیچیدگی تصمیم گیری در سرمایه گذاری این شرکت ها افزوده است. به همین منظور رویکرد ارائه شده در این پژوهش با در نظر گرفتن انواع معیارهای مالی، امکان پویاسازی پیش بینی درماندگی مالی را برای این تصمیم گیرندگان فراهم می سازد. رویکرد معرفی شده در این پژوهش ابتدا با خوشه بندی شرکت ها در خوشه متناسب درمانده مالی و غیر درمانده به کمک روش شبکه عصبی مصنوعی، نگاشت خودسازمان ده (SOM) اقدام و سپس با بهره گیری از روش تحلیل پوششی داده ها مبتنی بر بدترین عملکرد (WPF-DEA) نسبت به پیش بینی پویا درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادر تهران اقدام گردید. با بهره گیری از روش یادشده 105 شرکت ارزیابی گردید و نتیجه ناکارایی این شرکت ها در طول 5 دوره زمانی از سال 1395 الی 1399 پیش بینی شد. مدل تحلیل پوششی داده های پویا مبتنی بر بدترین عملکرد، توان ارزیابی ناکارایی واحدهای مورد بررسی اعم از شرکت های عضو سازمان بورس و اوراق بهادار را دارا است. تحلیل پوششی داده ها توانسته است به صورت موفقیت آمیزی درماندگی مالی شرکت ها را به عنوان واحدهای تصمیم ناکارا شناسایی نماید

مقدمه و اهداف: توسعه پایدار، توسعه ای است که نیازهای نسل حاضر را تأمین می کند؛ بدون اینکه در پاسخگویی نیازهای نسل آینده خللی ایجاد کند. توسعه پایدار دارای سه بُعد اقتصادی، اجتماعی و زیست محیطی است که باید به صورت هم زمان در نظر گرفته شود. با رشد و اهمیت توسعه پایدار، بسیاری از شرکت های موجود در سطح دنیا نیز به دلایل و انگیزه های کنشی و یا واکنشی اقدام به جمع آوری محصولات فرسوده خود می کنند. در چنین شرایطی وجود یک شبکه لجستیک معکوس که مبتنی بر توسعه پایدار باشد، ضروری است. تصمیم بر برون سپاری لجستیک به دلیل اجتناب از هزینه های ثابت، سرمایه گذاری سنگین و دستیابی به مزیت اقتصادی، بسیار اهمیت یافته است و شرکت های بسیاری مزایای بالقوه را که از خدمات لجستیکی باکیفیت حاصل می شود، دریافته اند.روش: در پژوهش حاضر، یک مدل برنامه ریزی عدد صحیح آمیخته به منظور برنامه ریزی برون سپاری لجستیک معکوس در چرخه مونتاژ صنعت خودروسازی بر پایه تابع هدف هزینه گرا ارائه شده است. قلمرو موضوعی پژوهش متمرکز بر چرخه مونتاژ خطوط تولید به صورت عام و با اولویت خودروسازان پرتیراژ (سواری سبک) است که شامل گروه صنعتی خودروسازی سایپا شامل گروه لیزینگ رایان سایپا است. قلمرو زمانی پژوهش، یک بازه مشخص از سال 1389 تا سال 1398 است. متغیرهایی نظیر دریافتی های غیرتجاری، جمع کل دارایی ها، سود عملیاتی، سود خالص و ارزش بازار هستند که از طریق آمار منتشرشده «شرکت سایپا» با استفاده از نرم افزار متلب ارزیابی می شوند.یافته ها: یافته های پژوهش نشان می دهد که از میان متغیرهای دریافتی های غیرتجاری، جمع کل دارایی ها، سود عملیاتی، سود خالص و ارزش بازار، سود خالص به سود عملیاتی و فروش (درآمدهای عملیاتی) از اهمیت بالایی برخوردار هستند. بیشترین میزان دریافتی های غیرتجاری برای شرکت خودروسازی سایپا در بازه زمانی 1389 تا 1398 در سال 1398 و در فصل تابستان است و برای کل دارایی ها برای سال 1392 و فصل تابستان است؛ همچنین بیشترین میزان سود عملیاتی برای سال 1398 و فصل زمستان و برای سود خالص برای سال 1390 و فصل بهار است. میزان همگرایی داده ها در نمودار رگرسیونی فروش (درآمدهای عملیاتی) به سود عملیاتی و سود خالص به سود عملیاتی برای سال های 1389-1398 محاسبه شد. میزان همگرایی داده ها در نمودار رگرسیونی فروش (درآمدهای عملیاتی) به سود عملیاتی بر مبنای مدل مفهومی در سال 1398 برابر با 9895/0 و نمودار رگرسیونی سود خالص به سود عملیاتی در سال 1398 بر مبنای مدل مفهومی در نظر گرفته شده برابر با 9961/0 است. میزان رگرسیون برای مدل مفهومی در مرحله آزمون برابر با 79/0 به دست آمد. میزان رگرسیون حاصل از پردازش در مرحله کلی برابر با 79/0 حاصل شد. میزان خطای هیستوگرام برای هر سه مرحله یادگیری، اعتبارسنجی و آزمون محاسبه شد. این میزان خطا با توجه به خطای صفر، برابر با 002375/0 است که به دلیل نزدیک بودن به صفر از سطح قابل قبولی برخوردار است و به مقدار صفر نمی رسد و در مقایسه با نتایج پژوهش های دیگر نشان دهنده بهبود میزان رگرسیون و خطا در تجزیه وتحلیل تابع هدف است.نتیجه گیری: با توجه به وزن محاسبه شده معیارها در مسائل بالانس خطوط مونتاژ دوطرفه می توان نتیجه گرفت که گروه تصمیم در کنار مسائل تولیدی به مسائل استراتژیک توجه خاصی دارند؛ زیرا نرخ تولید خط که معکوس زمان چرخه تولید است، در درازمدت بر سهم بازار شرکت تأثیر می گذارد و موجب افزایش سهم شرکت در بازار می شود.

هدف این پژوهش، یافتن شاخص های پراهمیت در ایجاد استرس شغلی کارکنان صنعت حمل و نقل هوایی کشور در دوران کرونا بوده است. این تحقیق از لحاظ هدف، توسعه ای-کاربردی، از حیث نحوه گردآوری داده ها از نوع پژوهش های توصیفی به شیوه پیمایشی و از نظر نوع داده های گردآوری شده، کمی است. جامعه آماری پژوهش را 1420 نفر از کارکنان شاغل در بخش ستاد صنعت حمل و نقل هوایی ایران تشکیل دادند که با روش نمونه گیری تصادفی ساده 312 نفر از آنها برای نمونه انتخاب شدند. ابزار گردآوری داده های این پژوهش، پرسشنامه محقق-ساخته و مشتمل بر 126 سوال تخصصی در راستای متغیرهای پژوهش بوده است که براساس طیف پنج گزینه ای لیکرت طراحی شده اند. نتایج پژوهش نشان داد ابعاد محیط کاری، سن و تجربه عامل های مهم در ایجاد استرس شغلی کارکنان صنعت حمل و نقل هوایی در دوره پاندومی کووید 19 هستند و از تعداد 126 شاخص معرفی شده، تعداد 43 شاخص مستقل فعال در پیش بینی رفتار استرس شغلی موفق عمل کرده و مهم می باشند. لذا به مدیران صنعت حمل و نقل هوایی پیشنهاد می گردد با تقویت زمینه آموزش و آمادگی تخصصی اقدام موثری برای کاهش فشار روانی کارکنان داشته باشند و با حمایت سازمانی تلاش کنند شرایط کاری ایمنی را برای کارکنان فراهم نمایند.

هدف: این مطالعه با هدف بررسی پیش بینی خواص مقاومتی بتن به کمک انواع مختلف شبکه های عصبی انجام گرفت. داده های موردمطالعه در این پژوهش از بانک اطلاعاتی 127 طرح اختلاط جمع آوری شده است. داده های ورودی شامل سن بتن برحسب روز، میزان درشت دانه، ریزدانه، سیمان، آب، روان کننده برحسب کیلوگرم بر سانتی متر مکعب بوده است و داده های هدف شامل مقاومت فشاری بوده است.روش شناسی پژوهش: در این پژوهش سعی شده با مطالعه آماری نمونه های آزمایشگاهی بتن جهت پروژه های گوناگون مدل هایی ساخته شود تا بتواند پیش بینی مناسبی جهت تخمین خواص مقاومتی بتن داشته باشد. استفاده از هوش مصنوعی به عنوان یک روش مدرن جایگاه ویژه ای در علوم مهندسی دارد. در این پژوهش داده های مورداستفاده ابتدا نرمال سازی شدند و سپس داده های موردنظر با استفاده از الگوریتم لورنبرگ مارکوارت مورد آزمایش قرار گرفت.یافته ها: معیارهای ارزیابی مدل های شبکه عصبی مصنوعی با استفاده از ارزیابی و خطا به دست آمد و نتایج نشان داد استفاده از 10 لایه مخفی دارای بیشترین ضریب همبستگی و کمترین خطا بوده است. ساختار این شبکه به صورت پرسپترون چندلایه بوده است.اصالت/ارزش افزوده علمی: نتایج نشان داد برای شبکه عصبی ساخته شده مقدار ضریب همبستگی، ریشه میانگین، مربعات خطا و میانگین خطای مطلق شبکه عصبی مصنوعی ساخته شده به ترتیب برابر است با 0/95، 1/9 بوده است.

هدف از این پژوهش تخمین مقدار تراز آب زیرزمینی در نقاط مختلف دشت داورزن واقع در استان خراسان رضوی در یک ماه آینده است. جهت پیش بینی زمانی از روش پرسپترون چندلایه شبکه عصبی و برای پیش بینی مکانی از روش کریجینگ استفاده شده است. داده های ورودی شامل سری زمانی تراز آب زیرزمینی است که به مدت هشت سال از مهر 82 تا اسفند 89 به صورت ماهیانه اندازه گیری شده است. ابتدا به منظور تعیین میزان دقت مدل، تراز آب زیرزمینی 12 ماه پایانی یک پیزومتر جدید با استفاده از روش پیشنهادی مدل سازی شده و با مقدار واقعی آن مقایسه گردیده است. مقدار ضریب انطباق به دست آمده (812/0E=) نشان دهنده کارایی مدل در این دشت است. سپس با اتکا به نتایج قابل قبول به دست آمده، تراز آب زیرزمینی یک ماه آینده  پیش بینی شد. در مرحله بررسی کارایی مدل، روش شبکه عصبی با میانگین ضریب انطباق 688/0 برای پیزومترها و نیم تغییرنمای گوسی نیز با درصد همبستگی 657/0 نتایج قابل قبولی را برای دشت داورزن نشان دادند.

تخمین دقیق پارامترهای هیدروژئولوژیکی مانند هدایت هیدرولیکی یکی از مهم ترین بخش مطالعات هیدروژئولوژی می باشد که برای مدیریت و حفاظت دقیق از منابع آب زیرزمینی بسیار ضروری است. تا حال روش های مختلف صحرایی و آزمایشگاهی برای تخمین هدایت هیدرولیکی ارائه شده است که عموماً با استفاده از داده های هیدروژئولوژیکی انجام می شوند. از این میان بهترین و کامل ترین روش، روش صحرایی آزمون پمپاژ می باشد که بسیار وقت گیر و پرهزینه بوده و پارامترهای هیدروژئولوژیکی تخمین زده شده به وسیله ی آنها دارای عدم قطعیت ذاتی می باشند. لذا در این تحقیق تلاش شد تا از روش های هوش مصنوعی مختلف مانند شبکه ی عصبی مصنوعی (ANN)، فازی ممدانی (MFL)، فازی ساگنو (SFL) و سیستم استنتاج نرو-فازی تطبیقی (ANFIS) برای تخمین هدایت هیدرولیکی استفاده شود. در این مطالعه برای تخمین دقیق هدایت هیدرولیکی در دشت مراغه- بناب توسط این مدل ها از داده های ژئوفیزیکی به همراه داده های هیدروژئولوژیکی به عنوان ورودی مدل ها استفاده شد و نتایج آنها با استفاده از معیارهای ارزیابی با هم مقایسه و بهترین مدل براساس مقدار RMSE انتخاب شد. بر این اساس مدل ANFIS با داشتن RMSE=1.12 در مرحله ی تست، نسبت به مدل های دیگر قدرت بالایی در تخمین هدایت هیدرولیکی دارد. شعاع دسته بندی، تعداد قوانین فازی و تعداد دسته ها در مدل های فازی و نروفازی، از اهمیت بالایی برخوردار است. شعاع دسته بندی در مدل ANFIS، براساس کمترین مقدار RMSE برابر 4/0و تعداد قوانین فازی براساس تعداد دسته ها 9 قانون اگر-آنگاه به دست آمد. روش های ارائه شده در این مطالعه که کارآیی بالایی در تخمین هدایت هیدرولیکی در دشت مراغه-بناب نشان دادند، می تواند در تخمین هدایت هیدرولیکی در سایر دشت ها با شرایط هیدروژئولوژیکی مشابه نیز مورد استفاده قرار بگیرند.

تعیین بار رسوبی معلق رودخانه ها یکی از پروژه های مهم مهندسی رودخانه می باشد. پیش بینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع داده های روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدل های مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سال های 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسب ترین مدل، مدل های شبکه عصبی مصنوعی پس انتشار خطا و تابع پایه ی شعاعی، رگرسیون خطی، k نزدیک ترین همسایه، درخت تصمیم M5، فرآیند گوسی، ماشین بردار پشتیبان و ماشین بردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این ت حقیق نشان داد که ب رای داده های روزانه، م دل k نزدیک ترین همسای ه با 28/5RMSE=؛ برای داده های ماهانه مدل فرآیند گوسی با 7/8RMSE= و برای داده های سالانه مدل فرآیند گوسی با مقدار 2/7RMSE= مناسب ترین مدل جهت پیش بینی بار رسوبی معلق بوده اند. همچنین مقایسه مقادیر ارزیابی مدل ها حاکی از آن است که پیش بینی داده های سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.  

مدلسازی صحیح فرآیند بارش-رواناب به دلیل گستردگی عوامل موثر بر بارش و رواناب یکی از پیچیدگی های علم هیدرولوژی است. هدف از این پژوهش استفاده از روش های پیش پردازش زمانی از جمله رف ع نویز موجکی و تبدیل موجک برای پیش بینی سری های زمانی ماهانه رواناب در دشت اردبیل می باشد. ش بیه س ازی ب ارش – روان اب ب ا اس تفاده از مدل جعب ه س یاه شبکه عصبی مصنوعی برای سه ترکیب داده های بارش و رواناب دشت اردبیل انج ام گردید. ترکیب اول و دوم داده ها از داده های خود ایستگاه در زمان های گذشته استفاده می کند و ترکیب سوم داده ها از داده های ایستگاه های بالادست (ایستگاه های گیلانده و کوزه تپراقی) برای پیش بینی رواناب خروجی دشت (ایستگاه سامیان) استفاده می کند. نتایج نشان داد ک ه اعم ال روش های پیش پردازش زمانی رف ع نویز م وجکی و استفاده از تبدیل موجک در ش بیه س ازی بارش-رواناب ب ا مدل شبکه عصبی مصنوعی به ترتیب بطور متوسط باع ث بهب ود 4 و 39 درصدی در مرحل ه آزمایش مدل شده است.

هدف: پیش بینی نتایج فعّالیت های کیفیت بخشی، از دغدغه های مسئولین دانشگاه های افسری نیروهای مسلح است. مقاله حاضر با بهره مندی از قابلیت های شبکه عصبی مصنوعی و با توجه به دغدغه مذکور، به ارائه مدلی برای پیش بینی روند نتایج عوامل اثرگذار در فعّالیت های تربیتی-آموزشی نظامی یکی از دانشگاه های افسری پرداخته است. روش پژوهش: جامعه آماری، کلیه افسران جوان تحت آموزش در اردوی رزم در کوهستان دانشگاه مورد مطالعه (از سال 1397 تا 1401) است. ابتدا، داده های مربوط به عوامل و سنجه های فعّالیت های تربیتی-آموزشی اردوی رزم در کوهستان برای دوره زمانی پنج ساله یادشده گردآوری شد. در گام بعدی پیش پردازش داده ها انجام و با استفاده از الگوریتم IRNN پیشنهادی و کدنویسی آن در پایتون، به ساخت مدل و صحت سنجی آن پرداخته شد. یافته ها: با بهره مندی از مدل ساخته شده و داده های موجود وضعیت کیفیت عملکرد آموزشی اردوگاه در دوره بعد پیش بینی شد. نتیجه: با ادامه سیاست های کنونی، تمامی عوامل به غیر از عامل«روزآمدی سطح دانش و مهارت کادر آموزشی» از روند صعودی برخوردار خواهند بود. می بایست برنامه ریزی صحیحی در راستای روزآمدسازی سطح دانش و مهارت کادر آموزشی موثر در فعّالیت های آموزشی، انجام داد.

شهر سهند به عنوان یک شهر نسبتا جدید، توانسته است به سرعت در جایگاه سومین شهر پرجمعیت استان آذربایجان شرقی قرار گیرد. یکی از نکات مهم تحقیق حاضر، بررسی ارتباط بین توسعه فیزیکی شهر با روند معاملات ملکی و ترکیب داده های سنجش از دور و سیستم اطلاعات جغرافیایی می باشد. در این پژوهش با استفاده از تصاویر ماهواره های Landsat-8 و Landsat-7 و Sentinel-2 در محیط کدنویسی گوگل ارث انجین کاربری ها و تغییرات آنها طی دو دوره قبل و بعد از شهر شدن (از 2000 تا 2008 و از 2008 تا 2019) دسته بندی شد و سپس پیش بینی توسعه آتی شهر سهند صورت گرفت. برای پیش-بینی از روش شبکه عصبی مصنوعی چند لایه پرسپترون (MLP) به عنوان یکی از روش های تصمیم گیری چندمعیاره مکانی(MCDM) استفاده شده است. متغیرهای مستقل استفاده شده در تحقیق حاضر، در پیش بینی توسعه فیزیکی شهر عبارت اند از : قیمت زمین، نوع کاربری، شیب، جهت شیب، ارتفاع، فاصله از مناطق شهری، فاصله از شبکه آبراهه، فاصله از گسل، فاصله از شبکه معابر (اصلی و فرعی). نتایج طبقه بندی تصاویر ماهواره ای نشان داد که توسعه فیزیکی شهر جدید سهند در جهت تبدیل زمین های بایر به کاربری شهری صورت گرفته است. علاوه بر این توسعه فیزیکی در راستای تبدیل زمین های ارزان تر به نواحی ساخته شده بود. اراضی ساخته شده دارای توسعه زیادی بوده و از6246/665 هکتار در سال ۲۰۰۰ به 9516/732 هکتار در سال ۲۰۱۹ رسیده است. در بین روش های طبقه بندی تصاویر به منظور استخراج کاربری اراضی، روش SVM بهترین روش بود و همچنین تصاویر ماهواره Sentinel-2 بالاترین دقت را داشت. شبکه عصبی مصنوعی پرسپترون چندلایه به منظور پیش بینی توسعه فیزیکی آتی شهر جدید سهند مورد استفاده قرار گرفت، که با توجه به بررسی های صورت گرفته، توسعه در جهاتی پیش بینی شده است که مبتنی بر ارزان بودن زمین و نیز محدودیت-های ژئومورفولوژیکی مانند شیب و ارتفاع است.

در عصری که شرکت ها برای بقا در بازارهای رقابتی با چالش های فراوانی روبه رو هستند، شناسایی عوامل تاثیرگذار بر بحران های مالی اهمیت می یابد. یکی از راه های کمک به سرمایه-گذاران و شرکت ها ارائه، الگوهایی جهت پیش بینی درماندگی مالی است. هدف این پژوهش، بررسی توانایی تئوری مجموعه راف و مقایسه آن با شبکه های عصبی مصنوعی و فازی جهت پیش بینی درماندگی مالی شرکت های فعال در بورس اوراق بهادار تهران است. بدین منظور 329 جفت شرکت سالم و درمانده مالی طی بازه زمانی سال های 1385-1399 انتخاب شده است. شبکه-های عصبی بررسی شده در این پژوهش عبارتنداز: شبکه عصبی پرسپترون چندلایه (MLP) و شبکه عملکرد پایه شعاعی (RBF) و شبکه استنتاج فازی انطباق پذیر(ANFIS) و همچنین نرم افزار مورد استفاده جهت ایجاد تئوری مجموعه راف ROSETTA و نرم افزار مورد استفاده جهت طراحی شبکه های عصبی مصنوعی و فازی نرم افزار MATLAB می باشد. نتایج به دست آمده در این پژوهش نشان از کارایی بالای مدل مجموعه های راف با دقت 7/98درصد جهت پیش بینی درماندگی مالی دارد.

ستانده نامطلوب جز لاینفکی از تولید درواحدهای تصمیم گیری مختلف می باشد و در جهت نزدیکترکردن تحلیلها به جهان واقعی نیاز به در نظر گرفتن ستانده نامطلوب در تحقیقات مرتبط با ارزیابی عملکرد می باشد ، در این مقاله، یک مدل ترکیبی جدید برای ارزیابی کارایی واحدهای تصمیم گیری در شرکت ملی پخش فرآورده های نفتی ایران ارائه شده است که در آن از تکنیک های تحلیل پوششی داده ها اسلک محور و الگوریتم های پیشرفته یادگیری ماشین استفاده می شود. مدل پیشنهادی به خصوص بر بهبود کارایی با توجه به ستانده های نامطلوب و در شرایط عدم قطعیت تمرکز دارد. سه الگوریتم یادگیری ماشین شامل شبکه های عصبی مصنوعی، ماشین های بردار پشتیبانی و XGBoost برای پیش بینی و بهبود نتایج مدل های SBM مورد استفاده قرار گرفته اند. این مطالعه شامل ارزیابی 37 واحد تصمیم گیری زیرمجموعه شرکت ملی پخش فرآورده های نفتی بوده که نتایج نشان دهنده بهبود معنادار کارایی با استفاده از داده های پیش بینی شده در مقایسه با داده های واقعی است. این تحقیق نه تنها به ارائه دیدگاه های جدید در ارزیابی و بهبود کارایی کمک می کند، بلکه روش های ترکیبی نوآورانه ای را برای مقابله با چالش های موجود در مدیریت عملیاتی ارائه می دهد.

در این مقاله، به بررسی استفاده از روش های فرا ابتکاری برای انتخاب سبد بهینه دارایی پرداخته شده است. پس از محاسبه مرز کارای سرمایه گذاری، نقطه پرتفوی حداقل ریسک و نقطه با پذیرش ریسک بیشتر که به نسبت شارپی معروف است، ضرایب سبدهای بهینه ارزی به دست آمده و به عنوان سیگنال به معاملات الگوریتمی ارسال می شود. این کار با هدف افزایش بازدهی در بازارهای پرنوسان، مخصوصاً بازار ارز، انجام می شود. روش کار شامل چینش پی درپی سبدهای بهینه با استفاده از داده کاوی و روش های فرا ابتکاری برای به دست آوردن بهترین سبد در معرض ریسک در قالب زمانی کوتاه مدت است. مقاله از چهار مبحث اساسی بهره می برد: الگوهای غیرخطی پیش بینی نرخ ارز، محاسبه شدت در معرض ریسک با الگوی EGARCH، احصاء سبد بهینه سرمایه گذاری به صورت فرا ابتکاری، و طراحی سیستم معاملات الگوریتمی.برای حل مشکل الگوی مارکویتز، از پیش بینی آتی بازده لگاریتمی نرخ های ارز با الگوی RNN و بهینه سازی تصادفی برای محاسبه اوزان هر دارایی استفاده شده است. این اوزان به عنوان سیگنال برای اقدامات خرید، نگهداری و فروش به سیستم معاملات الگوریتمی ارسال می شود. ۹ نرخ ارز با حداقل همبستگی و استقلال بیشتر در بازار ارز برای کاهش ریسک سیستماتیک انتخاب شده اند. با آزمایش سیستم بر روی ۱۲۳ داده روزانه در بازه زمانی ۱ مارس ۲۰۲۳ تا ۲۲ ژوئن ۲۰۲۳، بازده کل ۲۷ درصدی (تقریباً ماهانه ۴.۵ درصد) برای سیستم معاملات الگوریتمی محقق شد. بیشترین زیان سیستم ۶ درصد و بیشترین سود ۵.۷ درصد بود که کارمزد هرکدام از نرخ های ارز نیز در محاسبه درنظر گرفته شده است.

هدف: بیش واکنشی یکی از ناهنجاری های قابل مشاهده در بازار است که پیامدهای متعددی از جمله ناکارایی بازار را به دنبال دارد. بر این اساس، یکی از موضوعاتی که در اکثر بورس های معتبر دنیا بررسی می شود، بیش واکنشی سهام داران است. بیش واکنشی سرمایه گذاران به عنوان یکی از استثنائات، بیشتر در بازارهای کمتر توسعه یافته و نوظهور مطرح است. شواهد زیادی وجودی دارد که سرمایه گذاران به رویدادهای مالی، بیش از حد لازم واکنش نشان میدهند. در واقع بیش واکنشی به عنوان یک پدیده رفتاری، باعث می شود تا تصمیم گیری سرمایه گذاران در شرایط عدم اطمینان، دچار تورش شود و در نتیجه، بازار کارایی کافی نداشته باشد. در این راستا، تشخیص و پیش بینی این واکنش ها می تواند به سرمایه گذاران کمک کند تا تصمیم های منطقی تری درباره خرید یا فروش سهم ها و سایر اوراق بهادار بگیرند. بنابراین، پیش بینی و تشخیص تداوم روند بیش واکنشی سهام داران، می تواند برای سرمایه گذاران، تحلیلگران مالی و مدیران سرمایه گذاری ابزار ارزشمندی باشد تا مبتنی بر شهود و تحلیل دقیق تری، تصمیم گیری کنند. برای ایجاد یک مدل پیش بینی مؤثر، می توان از روش های مختلفی مانند تحلیل رگرسیونی برای تحلیل ارتباط بین متغیرهای مختلف و تداوم روند بیش واکنشی سهام داران استفاده کرد. همچنین، شبکه های عصبی مصنوعی، به عنوان روشی پیشرفته، می توانند برای مدل سازی پیچیدگی های غیرخطی و ارتباطات پیچیده تر میان متغیرها استفاده شوند. این موضوع با پیش بینی رفتار سهام داران و تصمیم گیری های سرمایه گذاری ارتباط مستقیمی دارد و می تواند به بهبود استراتژی های سرمایه گذاری و مدیریت ریسک کمک کند. با توجه به آنچه بیان شد، هدف اصلی این پژوهش تجزیه وتحلیل مقایسه ای شبکه عصبی مصنوعی و رگرسیون خطی، در پیش بینی تداوم روند بیش واکنشی سهام داران است.روش: پژوهش حاضر از نوع توصیفی علّی و طرح آن، از نوع تجربی است که با استفاده از رویکرد پس رویدادی اجرا شده است. به منظور آزمون فرضیه های پژوهش، از رگرسیون خطی چند متغیره استفاده شد که بر داده های پانل و ترکیبی از سری های زمانی مبتنی بود. برای جمع آوری اطلاعات، از روش کتابخانه ای استفاده شد. اطلاعات و داده های مورد نیاز، از طریق مطالعه صورت های مالی شرکت های موجود در جامعه آماری گردآوری شد. جامعه آماری پژوهش، کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران، بین بازه زمانی ۱۳۹۰ تا ۱۴۰۰ بود که با استفاده از روش نمونه گیری حذف سیستماتیک، ۱۱۰ شرکت انتخاب شد. در تجزیه وتحلیل داده ها با استفاده از روش رگرسیون، روابط بین متغیرها بررسی شد و نتایج به دست آمده از شبکه عصبی مصنوعی مقایسه شدند.یافته ها: نتایج برتری مدل شبکه عصبی مصنوعی را از لحاظ میزان ضریب تعیین و شاخص MSE نشان می دهد؛ به طوری که بالاترین میزان ضریب تعیین برای شبکه عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده های آزمون 3880/0 و برای مدل رگرسیون خطی برابر با 349/0 به دست آمد. همچنین نتایج نشان داد که میزان MSE برای شبکه عصبی مصنوعی (1 لایه پنهان و 9 نرون) برای داده های آزمون 003266/0 و برای مدل رگرسیون خطی برابر با 004/0 است. بدین ترتیب میزان شاخص MSE نیز به مانند ضریب تعیین، برای حالت شبکه عصبی مصنوعی بهتر است.نتیجه گیری: مدل شبکه عصبی قادر است که الگوهای پیچیده و غیرخطی را کشف کند و بهترین پیش بینی را ارائه دهد. با استفاده از این مدل، می توان به صورت دقیق تر و قابل اعتماد تری روند بازده سهام را پیش بینی کرد.

هدف: تخصیص وجوه به بخش های مختلف اقتصادی و اعطای تسهیلات، یکی از فعالیت های مهم بانک هاست. بانک ها ضمن توجه به سیاست های پولی و مالی تعیین شده توسط دولت ها و بانک مرکزی، این منابع را به بخش های سودآور و مناسب تخصیص می دهند. کاهش و کنترل ریسک اعتباری، یکی از عوامل مؤثر در بهبود فرایند اعطای اعتبار و در نتیجه در عملکرد بانک هاست. حداقل سازی ریسک به همراه حداکثرسازی سود هدفی است که همواره بانک ها به دنبال تحقق آن هستند. کم توجهی به موضوع بازده و ریسک تسهیلات، به تمرکز تسهیلات در بخش های خاصی از اقتصاد منجر شده که خود مشکلات عمده ای را برای بانک ها به همراه داشته است. با توجه به ضرورت تعیین سهم بهینه اعتبارات و ضرورت سیاست گذاری مناسب در این زمینه، پژوهش حاضر در پی ارائه یک الگوی مناسب برای تخصیص بهینه اعتبارات اعطایی به بخش های مختلف اقتصادی است؛ به گونه ای که با مدل سازی و بهینه سازی ریسک اعتباری با استفاده از ترکیب دو رویکرد اکچوئری و شبکه عصبی مصنوعی و با توجه به محدودیت های موجود در سیاست های بانک، پرتفوی اعتباری بهینه به گونه ای تعیین شود که ریسک اعتباری حداقل شود.روش: روش اکچوئری با محاسبه احتمال نکول وام ها و ارزیابی دقیق ریسک های مالی، به عنوان ابزار اصلی در مدیریت ریسک بانک ها شناخته می شود. با این حال، این روش ها اغلب نمی توانند پیچیدگی های موجود در تعاملات اعتباری را به طور کامل مدل سازی کنند. برای غلبه بر این محدودیت ها، از شبکه عصبی مصنوعی استفاده می شود که توانایی پیش بینی دقیق تر و تطبیق با داده های غیرخطی را دارد. بدین منظور در پژوهش حاضر، ابتدا به بررسی ریسک اعتباری پرتفوی تسهیلات بانکی با استفاده از رویکرد اکچوئری پرداخته می شود؛ سپس با استفاده از شبکه عصبی پرسپترون و با توجه به محدودیت های بانک در ارائه تسهیلات، ترکیب بهینه پرتفوی اعتباری تعیین می شود. نمونه مورد استفاده شامل تسهیلات اعطایی بانک به ۲۸۰ مشتری کلان خود در ۴ بخش صنعتی، خدماتی و بازرگانی، کشاورزی و ساختمان، در سال ۱۳۹۲ است.یافته ها: نتایج به دست آمده نشان می دهد که پرتفوی بهینه شده با تمرکز بیشتر بر بخش کشاورزی، در مقایسه با پرتفوی فعلی بانک که عمدتاً بر بخش صنعت تمرکز دارد، می تواند بازدهی تعدیل شده بر اساس ریسک بهتری را ارائه دهد. در ترکیب پرتفوی بهینه به دست آمده، بیشترین سهم، به بخش کشاورزی مربوط است و بخش های خدماتی و بازرگانی، ساختمانی و صنعتی، به ترتیب در رده های بعدی قرار دارند. در حالی که در پرتفوی فعلی بانک، بیشترین سهم تسهیلات به بخش صنعتی مربوط است و بعد از آن، به ترتیب بخش های خدماتی و بازرگانی، کشاورزی و ساختمان قرار می گیرند. با بررسی پرتفوی تسهیلات نظام بانکی، مشاهده شد که در سال ۱۳۹۲ شواهد تجربی نیز نتایج مدل را تأیید می کند.نتیجه گیری: براساس یافته ها و تأیید فرضیه های پژوهش، می توان نتیجه گرفت که استفاده از مدل اکچوئری برای تعیین ریسک اعتباری و سپس بهینه سازی با استفاده از شبکه عصبی مصنوعی، به بهبود فرایند بهینه سازی پرتفوی اعتباری بانک ها منجر می شود؛ از این رو بانک ها می توانند با بهبود ساختار پرتفوی خود از این طریق، ریسک های بالقوه را کاهش دهند و بازده مطمئن تری به دست آورند.