رهيافت الگوسازي تلفيقي براي پيش‌بيني قيمت محصولات كشاورزي

Hybrid Modeling Approach for Prediction of Agricultural Products Prices

يكي از پركاربردترين الگوهاي پيش‌بيني سري زماني طي سه دهه اخير، الگوي خود توضيح جمعي ميانگين متحرك (ARIMA) مي‌باشد. مطالعات اخير در زمينه پيش‌بيني با شبكه عصبي مصنوعي مويد برتري اين روش بر الگوهاي خطي سنتي است. اين در حالي است كه هيچ‌يك از اين روش‌ها از كفايت لازم در پيش‌بيني سري‌هاي زماني برخوردار نمي‌باشند. زيرا الگوي ARIMA توانايي شناخت روابط غيرخطي را نداشته و ANN به تنهايي قادر به شناسايي و بررسي هم زمان هر دو الگوي خطي و غير‌خطي نمي‌باشد. از اين رو با تركيب الگوهايARIMA و ANN و طراحي الگوي تلفيقي روابط موجود در داده‌ها با دقت بيشتري الگوسازي مي‌شود. در مطالعه حاضر، الگوي تلفيقي ARIMA و ANN طراحي و دقت پيش‌بيني آن با الگوهاي رقيب مقايسه شده‌است. دقت پيش‌بيني الگوها با استفاده از معيارهاي معمول نظير MSE، RMSE و MAE و همچنين معني‌داري اختلاف ميان معيارهاي فوق با استفاده از آماره گرنجر و نيوبولد بررسي و آزمون شد. نتايج پيش‌بيني‌هاي قيمت گندم حاكي از آن است كه الگوي تلفيقي به‌طور معني‌داري دقت پيش‌بيني به‌دست آمده از الگوهاي انفرادي را افزايش مي‌دهد.

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.