مدل آریما

با توجه به تاثیر دما در شرایط اقلیمی هر منطقه و اهمیت پیش بینی آن در برنامه ریزیهای محیطی، استفاده از روشهای آماری به منظور مطالعه تغییرات و پیش بینی دما، کاربرد وسیعی پیدا کرده است. یکی از روشهای مذکور، بررسی متوسط دمای ماهانه بر اساس مدل آریمای باکس- جنکینز است. در این تحقیق با استفاده از مدل فوق، متوسط دمای ماهانه ایستگاه تبریز برای یک دوره آماری 40 ساله (98-1959) بر اساس روش خود همبستگی و خود همبستگی جزیی و کنترل نرمال بودن باقی مانده ها با به کارگیری آزمون کولموگروف اسمیرنوف مورد بررسی قرار گرفته است. پس از مقایسه معیار آکاییک (AIC)، الگوهای آزمایشی مدل (0,0,1), (0,1,1) 12 ARIMA که ترکیبی از دو بخش غیر فصلی (q=1,d=0,p=0) و فصلی (SQ=1,SD=1,SP=0) می باشند، به عنوان مدلهای محاسباتی انتخاب گردیده و بر اساس آنها، تغییرات متوسط دمای ماهانه ایستگاه تبریز تا سال 2010 پیش بینی شده است.

بخش بهداشت و درمان و زیرساخت های مورد نیاز آن هم در بخش نرم افزاری و هم در بخش سخت افزاری همواره مورد توجه بوده است. در این میان اهمیت تجهیزات و اقلام پزشکی در سیستم سلامت کشور بر هیچ کس پوشیده نیست. سازمان ها و شرکت های فعال در این بخش باید بتوانند تصمیمات صحیح را با توجه به اطلاعات موجود در محیط پر نوسان کسب و کار امروز اخذ نمایند. بنابراین، تخمین مقدار تقاضا در دوره های آتی موضوعی حیاتی به نظر می رسد. روش و ابزارهای مختلفی برای انجام پیش بینی تقاضا وجود دارد که هر یک مزیت ها و نقاط ضعف مخصوص به خود را دارند. در این مقاله با استفاده از یک شبکه عصبی مصنوعی چند لایه پیشخور با دو لایه پنهان که با الگوریتم ژنتیک به عنوان الگوریتم یادگیری آموزش داده شده است، سیستمی مقایسه ای با روش رایج مورد استفاده در پیش بینی (روش باکس – جنکینز) با مدل ARIMA(2,1,1) برای پیش بینی تقاضای دستگاه سی تی اسکن ارائه شده است که با توجه به معیار سنجش دقت مدل ها یعنی میانگین مجذور خطا (MSE)، مدل شبکه عصبی اثربخشی و کارایی بیشتری را در مقابل با روش آریما در پیش بینی تقاضای دستگاه سی تی اسکن با توجه به داده ها و اطلاعات موجود از خود نشان داده است.

پیش بینی شمار ورود گردشگران، اهمیت ویژه ای برای گردشگری و فعالیت های وابسته به گردشگری دارد؛ چرا که پیش بینی، شاخصی برای تقاضای آینده بوده و به موجب آن، در پی فراهم کردن اطلاعات پایه برای برنامه ریزی و سیاست گذاری های پی درپی است. در برنامه ریزی گردشگری، پیش بینی تعداد گردشگران بیشترین ارتباط و کاربرد را در مبحث مدیریت گردشگری دارد؛ زیرا یکی از ابعاد اصلی برای برنامه ریزی گردشگری، برنامه ریزی بازاریابی آینده نگر است. تعداد گردشگران با عرضه و تقاضای بازار ارتباط مستقیم دارد. مدیران و برنامه ریزان مرتبط با گردشگری، باید از یک سو در تلاش برای رفع نیاز گردشگران و ارائه تسهیلات بهتر به آنها باشند و از سوی دیگر، محصولات وابسته به گردشگری ماهیتی ذخیره شدنی و انبارکردنی ندارند. چنانکه اتاق یک هتل که یک شب رزرو نشود، صندلی یک هواپیما که مسافری برای آن پیدا نشده و میز یک رستوران که خالی مانده است، منافعی است که از دست رفته و امکان ذخیره کردن برای آینده وجود ندارد و این خود لزوم اطلاع از ورود گردشگران را برای مدیران مرتبط با این فعالیت ها دوچندان می کند. بر همین اساس پیش بینی درست تقاضای گردشگران، می تواند به کاهش ریسک در تصمیم گیری و هزینه منجر شود و این مهم با اطلاع از تقاضای گردشگران به منطقه و نیازهایشان در آینده حاصل می شود. برای پیش بینی تقاضای گردشگر، از مدل های گوناگونی چون مدل های سری زمانی، آریما، سیستم های عصبی فازی، سیستم های ماشین بردار و مانند آنها استفاده می شود که در این پژوهش، از مدل سری زمانی آریما استفاده شده است. نتایج نشان داده است که الگوی پیش بینی تقاضای گردشگر در مجموعه تاریخی فرهنگی تخت جمشید، بر اساس داده های رسمی سال های 1376 تا 1389مجموعه پارسه پاسارگاد، فصلی بوده و لذا مدل های آمیخته فصلی برای گردشگران داخلی و خارجی، به طور مجزا برآورد شده است.

تحولات جمعیتی یک کشور به عنوان مبنایی برای سیاست گذاری ها و تصمیم گیری های کلان می باشد. به طوری که، جمعیت مبنای سرمایه گذاری در زمینه توسعه راه و مسکن، بنگاه های اقتصادی، تأسیسات آموزشی و درمانی، تسهیلات رفاهی و تأمین انرژی و غیره است. از این رو، عدم درک صحیح از تحولات جمعیتی منجر به ناهماهنگی در برنامه ریزی ها و در نهایت اتلاف سرمایه و زمان خواهد بود. جمعیت سالخورده به جمعیتی اطلاق می گردد که بیش از ده درصد کل جمعیت شصت و پنج سال و بالاتر باشد. همچنین، تعریف فرد سالخورده در کشورهای مختلف و با توجه به امید به زندگی بین سن 50 تا 75 سال متغیر می باشد. در این پژوهش نیز، 70سالگی به عنوان سن سالخوردگی در نظر گرفته شده است. بر این اساس، هدف این پژوهش روندیابی سالخوردگی جمعیت گروه سنی منتخب در 37 سال آینده (در افق 1435) می باشد. در این راستا از مدل خود رگرسیون میانگین متحرک انباشته (ARIMA) برای اعمال روابط و پیش بینی استفاده شده است. داده های بکار رفته سرشماری های سال 1365 تا 1395 می باشد. نتایج بدست آمده، نشان می دهد که انتظار تغییرات جمعیت 70 ساله و بیشتر افزایشی می باشد که این گروه جمعیتی در افق 1435 به 16/743 درصد خواهد رسید. همچنین، طبق نتایج حاصل از پیش بینی توسط مدل آریما، انتظار می رود در افق 1435 جمعیت 70 ساله و بیشتر، «26644317» نفر باشد که برابر با 22 درصد کل جمعیت کشور در آن سال خواهد بود.

این مقاله به بررسی پیش بینی قیمت قرارداد آتی سکه طلا در بورس کالای ایران پرداخته است. این تحقیق مدلی ترکیبی بر اساس سیستم ژنتیک فازی (GFS) و شبکه عصبی مصنوعی (ANN) برای پیش بینی قرارداد آتی سکه طلا ارائه داده است. در این روش، ابتدا با استفاده از روش رگرسیون گام به گام متغیرهایی مشخص می شود که بیشترین تأاثیر را بر قیمت قرارداد آتی سکه طلا دارند. در گام بعدی داده های خام با استفاده از شبکه عصبی خودسازمانده به k دسته تقسیم می شود. در نهایت، این دسته ها به سیستم ژنتیک فازی وارد و پیش بینی انجام می شود. درآخر، نتیجه پیش بینی حاصل از مدل ترکیبی ارائه شده، با نتیجه حاصل از پیش بینی روش خطی آریما با استفاده از معیار سنجش خطا MAPE با هم مقایسه شد. نتایج نشان داد که مدل ترکیبی ارائه شده، پیش بینی بسیار مناسب تری از روش آریما دارد و خطای پیش بینی آن بسیار کمتر بوده است.

موسسات مالی و اعتباری خصوصا بانک ها اهمیت آن دو چندان می شود از این رو تعیین و تخمین شاخص نقدینگی کشور از اهمیت خاصی برای دولت و بانک ها برخوردار است.به سبب اهمیت بالای تعیین نقدینگی و به منظور تصمیم سازی مناسب برآورد و پیش بینی آن در ماه ها و سال های آتی از ضروریات می باشد. ساختار نرم افزارهای تحلیلی مورد استفاده در اکثر مقالات طوری بوده که عملا تحلیل ها در جعبه سیاه انجام شده است. در این تحقیق برای آنکه محقق مستقیما در فرآیند تحلیل قرار گیرد از نرم افزار توانمند R استفاده شده است. در این تحقیق در کنار برآورد نقطه ای که ممکن است با تغییراتی که صورت می پذیرد تفاوت معنی داری داشته باشد، از برآورد بازه ای نیز استفاده شده است. فاصله اطمینان های 80 و 95 درصدی برای پیش بینی نقدینگی کشور انجام شده است که مقادیر واقعی نقدینگی را تحت پوشش قرار می دهند و برآورد مناسبی را در اختیار مدیران کلان قرار داده تا به هنگام برنامه ریزی مسائل اقتصادی در زمینه نقدینگی تغییرات ممکن را به شکل مناسبی لحاظ نمایند.  نتایج حاصل از این تحقیق حاکی از آن هست که مدل آریمای پیشنهاد شده (نقطه ای- بازه ای) در مقایسه با روش هموارسازی نمایی دوگانه توانایی بالایی برای مدل سازی و پیش بینی میزان نقدینگی کشور را داراست. Liquidity management is one of the most important tasks of financial management in firms and credit institutions .The importance of liquidity is to determine appropriate decision-making process in financial activities to decrease Risk and Uncertainty. Based on point estimation and interval estimation we analyzed changes in liquidity management with significantly different estimation. The results of this study suggest that ARIMA model coefficient compared to high capacity double exponential smoothing method for modeling and forecasting liquidity in the financial market is more suitable and consistent.

ویژگی های نفت خام و عوامل مؤثر بر قیمت این حامل انرژی باعث شده تا پیش بینی قیمت آن همواره مورد توجه محققان، فعالان بازار نفت، دولت ها و سیاست گذاران قرار گیرد. از آنجایی که قیمت نفت خام تحت تأثیر عوامل زیادی است بنابراین باید در این راه مطالعات مداوم صورت گرفته تا برآوردهای انجام شده با گذشت زمان، نتایج دقیق تر و از قابلیت اعتماد بالاتری برخوردار شود. در این مقاله برای پیش بینی قیمت نفت خام از ترکیب مدل خاکستری مرتبه اول و آریما استفاده شده و مدل ترکیبی خاکستری - آریما پیشنهاد شده است. برای بررسی این تکنیک از داده های قیمت نفت خام برنت در بازه های زمانی فصلی، ماهیانه و هفتگی استفاده شده است. در پیش بینی فصلی داده های سه ماه اول سال 2015 تا سه ماهه دوم سال 2021، در پیش بینی ماهیانه داده های مارس 2020 تا دسامبر 2020 و در پیش بینی هفتگی داده های هفته دوازدهم 2020 تا هفته شانزدهم 2021 مورد استفاده قرار گرفته است. نتایج نشان داد میانگین قدر مطلق درصد خطا و جذر میانگین مربع خطا در مدل ترکیبی، همواره کمتر از مدل های منفرد یا تک تئوری خاکستری و آریما است. همچنین، مدل ترکیبی توانایی بالاتری جهت توضیح و پوشش نوسانات قیمت در بازه های مختلف زمانی را داشته و قابل اطمینان تر از مدل های منفرد است. لذا می توان از مدل ترکیبی به جای مدل های منفرد و تک تئوری برای پیش بینی دقیق تر استفاده کرد.