|
Title
|
ارائه یک مدل سراسری مبتنی بر روش های یادگیری عمیق جهت پیش بینی سری های زمانی مرتبط
|
|
Type of Research
|
Thesis
|
|
Keywords
|
مدل پیش بینی سراسری، شبکه های عصبی بازگشتی، خوشه بندی سری های زمانی، یادگیری عمیق، خوشه بندی ویژگی محور، شبکه های عصبی، سری های زمانی مرتبط
|
|
Abstract
|
با توجه به رشد روزافزون روند تولید داده در حوزه های مختلف، مدل های پیش بینی کننده سری های زمانی نقش بسیار حیاتی و حساسی را در حوزه های مختلف ایفا می کنند. از این رو و با توجه به پیچیدگی روزافزون مسائل پیش بینی سری های زمانی، نیاز است تا مدل های پیش بینی کننده سری های زمانی، از حالت پیش بینی سری های زمانی به صورت جداگانه به پیش بینی سری های زمانی مختلف از منابع یکسان، تکامل یابند. در صنایع مختلف از جمله انرژی، خرده فروشی و گردشگری، انجام پیش بینی های دقیق نقش بسیار حیاتی در تصمیم گیری های تجاری ایفا می کند. برای مثال، در صنعت خرده فروشی، فروشگاه های بزرگی چون آمازون و یا والمارت، پیش بینی میزان تقاضا برای تنظیم صحیح موجودی کالاها، نقش بسزایی دارد. در حوزه تامین انرژی، پیش بینی میزان مصرف، در میزان تخصیص منابع ارزشمند سوختی، بسیار حیاتی است. به طور مشابه، در صنعت گردشگری و خدمات حوزه سلامت نیز، پیش بینی میزان تقاضا برای خدمات در مناطق جغرافیایی مختلف از اهمیت بالایی برخوردار است. با توجه به پیشرفت ها در بخش هایی چون پایگاه های داده، پردازش های ابری و یادگیری ماشین، جمع آوری داده های زمانی خام و استخراج اطلاعات از این داده ها برای استفاده در تصمیم گیری های مهم، توجه محققین را به خود جلب نموده است. بنابراین، این پیش بینی ها نقش اصلی در تصمیم گیری برای حوزه های مالی، تجاری و تبلیغاتی را دارا می باشد.
|
|
Researchers
|
(Student)، Hossein Abbasimehr (Primary Advisor)، Esmaeil Nourani (Advisor)
|