|
Title
|
ارائه یک رویکرد جدید مبتنی بر تکنیک های تجزیه سری و شبکه های عصبی عمیق برای پیش بینی سری های زمانی چندمتغیره
|
|
Type of Research
|
Thesis
|
|
Keywords
|
پیش بینی سری های زمانی، سری های زمانی چندمتغیره، یادگیری عمیق، تجزیه سری، پیش بینی طولانی مدت، روند
|
|
Abstract
|
پیش بینی سری های زمانی یکی از ارکان اساسی علم داده مدرن محسوب می شود که دارای تأثیرات گسترده ای در حوزه های مختلف نظیر مالی، سلامت، انرژی، لجستیک زنجیره تأمین و مدل سازی اقلیمی است. توانایی پیش بینی دقیق روندهای آتی بر اساس داده های تاریخی، سازمان ها را قادر می سازد تا عملیات خود را بهینه سازی کنند، ریسک ها را کاهش دهند و تصمیمات راهبردی آگاهانه اتخاذ نمایند. با این حال، داده های واقعی سری های زمانی با چالش های متعددی همراه هستند؛ از جمله پویایی های غیرخطی، غیرایستایی، نویز، داده های گمشده و تغییرات ساختاری ناگهانی و آشوبناک توزیع داده. روش های آماری پیش بینی نظیر مدل های ARIMA و هموارسازی نمایی، اگرچه در پیش بینی کوتاه مدت با داده های محدود مؤثر هستند، ولی بر فرضیات خطی متکی بوده و در مدل سازی وابستگی های زمانی پیچیده، به ویژه در موارد چندمتغیره با ابعاد بالا و افق های پیش بینی طولانی، کارآیی مطلوبی ندارند. رویکردهای یادگیری ماشین و به ویژه یادگیری عمیق، قابلیت مدل سازی خودکار وابستگی های بلندمدت و تعاملات پیچیده میان سری ها را گسترش داده اند. با این حال، عملکرد آن ها در پیش بینی بلندمدت همچنان با چالش هایی مانند بیش برازش، هزینه ی محاسباتی بالا و انباشت و انتشار خطای پیش بینی در افق های پیش بنی دور روبروست. هدف این پژوهش، توسعه مدلی دقیق و تعمیم پذیر است که با به کار گیری تکنیک های تجزیه سری و ترکیب آن با یادگیری عمیق بتواند خطاهای پیش بینی بلندمدت را کاهش داده و در برابر پیچیدگی های داده عملکرد پایداری ارائه دهد.
|
|
Researchers
|
(Student)، Hossein Abbasimehr (Primary Advisor)، Esmaeil Nourani (Advisor)
|