رهیافت الگوسازی تلفیقی برای پیش‌بینی قیمت محصولات کشاورزی

نوع مقاله : مقالات پژوهشی

نویسندگان

• رضا مقدسی ¹
• میترا ژاله رجبی ²

¹ گروه اقتصاد کشاورزی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی

² دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

10.22067/jead2.v1390i3.10844

چکیده

چکیده
یکی از پرکاربردترین الگوهای پیش‌بینی سری زمانی طی سه دهه اخیر، الگوی خود توضیح جمعی میانگین متحرک (ARIMA) می‌باشد. مطالعات اخیر در زمینه پیش‌بینی با شبکه عصبی مصنوعی مؤید برتری این روش بر الگوهای خطی سنتی است. این در حالی است که هیچ‌یک از این روش‌ها از کفایت لازم در پیش‌بینی سری‌های زمانی برخوردار نمی‌باشند. زیرا الگوی ARIMA توانایی شناخت روابط غیرخطی را نداشته و ANN به تنهایی قادر به شناسایی و بررسی هم زمان هر دو الگوی خطی و غیر‌خطی نمی‌باشد. از این رو با ترکیب الگوهایARIMA و ANN و طراحی الگوی تلفیقی روابط موجود در داده‌ها با دقت بیشتری الگوسازی می‌شود. در مطالعه حاضر، الگوی تلفیقی ARIMA و ANN طراحی و دقت پیش‌بینی آن با الگوهای رقیب مقایسه شده‌است. دقت پیش‌بینی الگوها با استفاده از معیارهای معمول نظیر MSE، RMSE و MAE و همچنین معنی‌داری اختلاف میان معیارهای فوق با استفاده از آماره گرنجر و نیوبولد بررسی و آزمون شد. نتایج پیش‌بینی‌های قیمت گندم حاکی از آن است که الگوی تلفیقی به‌طور معنی‌داری دقت پیش‌بینی به‌دست آمده از الگوهای انفرادی را افزایش می‌دهد.

واژه‌های کلیدی: الگوی خود توضیح جمعی میانگین متحرک، الگوی تلفیقی، پیش‌بینی سری زمانی، شبکه عصبی مصنوعی

20.1001.1.20084722.1390.25.3.10.4

---

عنوان مقاله [English]

Hybrid Modeling Approach for Prediction of Agricultural Products Prices

نویسندگان [English]

• R. Moghaddasi ¹
• M. Zhale Rajabi ²

¹ Department of Agricultural Economics, Science and Research Branch, Islamic Azad University

² Agricultural Economics Department, Science and Research Branch, Islamic Azad University, Tehran

چکیده [English]

Abstract
Autoregressive integrated moving average (ARIMA) has been one of the widely used linear models in time series forecasting during the past three decades. Recent studies revealed the superiority of Artificial Neural Network (ANN) over traditional linear models in forecasting. But neither ARIMA nor ANNs can be adequate in modeling and forecasting time series since the first model cannot deal with nonlinear relationships and the latter one is not able to handle both linear and nonlinear patterns simultaneously. Hence by combining ARIMA with ANN and designing the hybrid model, data relationship can be modeled more accurately. In this research, a hybrid of ARIMA and ANN models is designed and its prediction performance is compared with those of competing models. Forecasting performance is examined using common criteria such as MSE, RMSE and MAD. Also the significance of any difference between these measures is tested through application of Granger and Newbold statistic. Forecasting results for world wheat price data indicates that combined model significantly improves accuracy achieved by separate models.

Keywords: ARIMA, Hybrid Models, Time Series Forecasting, Artificial Neural Networks