الگوریتم SVR

از آنجا که پیش بینی سود نقدی شرکت ها یکی از منابع اطلاعاتی با ارزش برای سرمایه گذاران و دیگر افراد ذینفع است، پژوهش حاضر تلاش می کند مدل هایی برای پیش بینی متغیرهای تأثیرگذار بر سود نقدی سهام پیشنهاد کند. برای این کار از اطلاعات شرکت های شیمیایی پذیرفته شده در بورس تهران بین سال های 1385 تا 1389 استفاده شده است. متغیرهای مستقل این تحقیق نسبت های حسابداری و متغیر وابسته سود نقدی سهام است. چارچوب مدل، ترکیبی از الگوریتم های PSO-SVR و PSO-LARS است. الگوریتم PSO، ترکیب بهینه ای از متغیرها که بر پیش بینی سود نقدی تأثیر گذارند را شناسایی می کند. سپس داده های مربوط به متغیرهای انتخاب شده توسط PSO به طور جداگانه به الگوریتم های SVR و LARS وارد می شوند و این الگوریتم ها را آموزش می دهند. در ادامه الگوریتم های SVR و LARS با داده های ارزیابی آزموده می شوند و به این ترتیب می توان خطای پیش بینی را اندازه گیری و روش ها را با هم مقایسه کرد. نتایج این پژوهش نشان می دهد ترکیب الگوریتم PSO با الگوریتم SVR یا ترکیب PSO-LARS در مقایسه با استفاده از الگوریتم های LARS و SVR به تنهایی می تواند پیش بینی بهتری از عوامل تأثیرگذار مورد نظر داشته باشد. ضمن این که در مقایسه دو روش ترکیبی PSO-LARS و PSO-SVR، خطای پیش بینی PSO-SVR کمتر است.

در سال های اخیر با تغییر الگوی تعطیلات و شکل گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. به همین منظور پژوهش حاضر سعی دارد ابتدا 4 نوع از مهمترین انواع گردشگری داخلی شهر تهران را شناسایی و سپس مدل هایی برای پیش بینی متغیرهای تأثیرگذار بر پیش بینی تقاضای هر یک از آنها پیشنهاد کند. برای این کار از اطلاعات حتی المقدورماهیانه بین سال های 1381 تا 1394 استفاده شده است. متغیر مستقل این تحقیق تعداد گردشگران داخلی شهر تهران به تفکیک 4 نوع از مهم ترین انواع گردشگری داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس روش دلفی فازی و دیماتل فازی انتخاب شدند، چارچوب مدل، ترکیبی از رگرسیون، شبکه عصبی فازی و الگوریتم SVR است که با ترکیب این روش ها می توان خطای پیش بینی را اندازه گیری و روش ها را باهم مقایسه کرد. نتایج این پژوهش نشان می دهد رویکرد ترکیبی رگرسیون و شبکه های عصبی فازی (ANFIS ) دارای کمترین خطا در مقایسه با سایر روش ها در خصوص پیش بینی گردشگری تفریحی و VFR داخلی و رویکرد ترکیبی رگرسیون و الگوریتم SVR دارای کمترین خطا در مقایسه با سایر روش ها در خصوص پیش بینی گردشگری پزشکی و تجاری- اداری داخلی است.

یکی از مهم ترین رویدادها در صنعت گردشگری هر کشور میزان تقاضا برای یک محصول یا مقصد گردشگری است، اما باید توجه داشت که پیش بینی ها هرگز نمی توانند کاملاً با آنچه در عمل پیش خواهد آمد تطابق داشته باشند. همیشه فواصل و انحرافاتی بین مقادیر واقعی و پیش بینی وجود خواهد داشت، اما استفاده از روش های علمی و نوین در امر پیش بینی باعث خواهد شد که نتایج به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شود. در سال های اخیر با تغییر الگوی تعطیلات و شکل گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. یکی از مهم ترین انواع گردشگری داخلی شهر تهران، بر اساس گزارش مرکز ملی آمار و دیدگاه های صاحب نظران این حوزه، گردشگری فرهنگی است. ازاین رو، پژوهش پیش رو سعی دارد مدل هایی را برای پیش بینی تقاضای گردشگری فرهنگی داخلی شهر تهران پیشنهاد کند. برای این کار از اطلاعات ماهیانه سال های 1381 1398 استفاده شده است. متغیر مستقل این پژوهش تعداد گردشگران فرهنگی داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس تکنیک دلفی و دیماتل فازی انتخاب شدند. چارچوب مدل ترکیبی از رگرسیون، شبکه عصبی فازی و الگوریتمSVR  است که با ترکیب این روش ها می توان خطای پیش بینی را اندازه گیری کرد و روش ها را با هم مقایسه کرد. نتایج این پژوهش نشان می دهد رویکرد ترکیبی رگرسیون و الگوریتم SVR پیشنهادی می تواند پیش بینی بهتری نسبت به سایر روش ها در خصوص گردشگری فرهنگی داخلی داشته باشد.

یکی از مهمترین رویدادها در صنعت گردشگری هر کشور، میزان تقاضا برای یک محصول یا مقصد گردشگری است. اما باید توجه داشت پیش بینی ها هرگز نمی توانند به طور صد درصد با آنچه  در عمل پیش خواهد آمد تطابق داشته باشند. همیشه فواصل و انحرافاتی بین مقادیر واقعی و پیش بینی موجود خواهد بود، ولی استفاده از روش های علمی و نوین در امر پیش بینی، باعث خواهد شد نتایج حاصله به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شود. در سال های اخیر با تغییر الگوی تعطیلات و شکل گیری تعطیلات کوتاه مدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. یکی از مهمترین انواع گردشگری داخلی شهر تهران بر اساس آمار مرکز ملی آمار و نظرات صاحب نظران این حوزه، گردشگری بازدید از دوستان و بستگان(VFR) است به همین منظور پژوهش حاضر سعی دارد مدل هایی برای پیش بینی تقاضای گردشگری بازدید از دوستان و بستگان(VFR) داخلی شهر تهران پیشنهاد کند. برای این کار از اطلاعات ماهیانه بین سال های 1381 تا [1]1394 استفاده شده است. متغیر مستقل این تحقیق تعداد گردشگران بازدید کننده از دوستان و بستگان(VFR) داخلی شهر تهران است و متغیرهای وابسته نیز بر اساس تکنیک دلفی و دیماتل فازی انتخاب شدند، چارچوب مدل، ترکیبی از رگرسیون[2]، شبکه عصبی فازی[3] و الگوریتمSVR[4] است که با ترکیب این روش ها می توان خطای پیش بینی را اندازه گیری و روش ها را با هم مقایسه کرد. نتایج این پژوهش نشان می دهد رویکرد ترکیبی رگرسیون و شبکه های عصبی فازی(ANFIS)پیشنهادی می تواند پیش بینی بهتری نسبت به سایر روش ها در خصوص پیش بینی گردشگری بازدید از دوستان و بستگان(VFR) داخلی داشته باشد. <br clear="all" /> [1] علت بررسی تا سال 1394 عدم انتشار آمار سال های 1395 و 1396 توسط مرکز ملی آمار تا کنون است. [2] Regression [3] Adaptive Neuro-Fuzzy Inference System (ANFIS) [4] Support Vector Regression(SVR(

مقدمه:.یکی از مهمترین رویدادها در صنعت گردشگری هر کشور، میزان تقاضا برای یک محصول یا مقصد گردشگری و پیش بینی درست آن است. اما باید توجه داشت که فواصل و انحرافاتی بین مقادیر واقعی و پیش بینی وجود دارد. استفاده از روش های علمی و نوین در امر پیش بینی، باعث خواهد شد که نتایج حاصله به مراتب بیش از یک تخمین عینی به حقیقت نزدیک شوند که مقاله حاضر نیز همین هدف را در حوزه گردشگری پزشکی دنبال می کند. روش ها: در مرحله اول عوامل موثر بر تقاضای گردشگری پزشکی داخلی با استفاده از تکمیل پرسش نامه های مربوط به روش دلفی فازی و دیمتل فازی توسط ۳۱ نفر از خبرگان آشنا به این حوزه و پردازش توسط نرم افزار MATLAB۲۰۱۷aشناسایی شدند و پس از مشخص شدن تابع تقاضا و جمع آوری اطلاعات ماهیانه هر یک از عوامل موثر در بازه زمانی سال های ۱۳۸۱ تا ۱۳۹۴، سه مدل پیش بینی رگرسیون، شبکه عصبی فازی و الگوریتم SVR به صورت مجزا و ترکیبی برای این تابع در نرم افزار MATLAB اجرا و خطای پیش بینی هریک، اندازه گیری و با هم مقایسه شد. یافته ها: نتایج پژوهش حاضر نشان داد که تابع تقاضای گردشگری پزشکی داخلی شامل: عوامل اقتصادی (درآمد و ثروت افراد )، قیمت خدمات و هزینه زندگی در مقصد، قیمت تاسیسات اقامتی، وجود آلودگی هوا، قیمت محصولات جایگزین (سفر خارجی)، تعداد مراکز پزشکی، بیمارستان هاو آزمایشگاه ها است. نتیجه گیری: رویکرد ترکیبی رگرسیون چندگانه و الگوریتم SVR پیشنهادی نیز می تواند پیش بینی بهتری نسبت به سایر روش ها در خصوص پیش بینی گردشگری پزشکی داخلی داشته باشد. بنابراین، پیشنهاد می شودبه منظور کاهش میزان خطای پیش بینی جهت انجام برنامه ریزی های اصولی در حوزه تقاضای گردشگری پزشکی داخلی شهر تهران از این تابع تقاضا و مدل پیش بینی استفاده شود.