پيش بيني كوتاه مدت قيمت محصولات كشاورزي با استفاده از شبكه هاي عصبي مصنوعي

Short Term Price Forecasting For Agriculture products Using Artificial Neural Networks

كاملا واضح است كه پيش بيني قيمت بازار براي بلند مدت به دليل اينكه بسياري از فاكتور ها را نمي توان به دقت پيش بيني كرد مشكل مي باشد . اغلب آناليز سريهاي زماني براي مدل كردن پيش بيني كوتاه مدت قيمت به كاربرده مي شود. در سال هاي اخير تكنيك جديدي از شبكه هاي عصبي مصنوعي (ANN (كه ابزار مناسبي براي مدل كردن پيش بيني مي باشد ارايه شده است. در اين مقاله مدل ANN forward-feed براي پيش بيني كوتاه مدت قيمت گندم در مقايسه با مدل سريهاي زمانيARIMA ارايه شده است. اطلاعات استفاده شده، شامل قيمت عمده فروشي روزانه گندم، مي باشد كه بين سال هاي 1390 تا 1395 جمع آوري شدهاند. نتايج نشان مي دهد كه مدل ANN براي پيش بيني روزانه بهتر از مدل سريهاي زماني عمل ميكند. بين مدل ANN و قيمت واقعي مشاهده شده يك ارتباط خوب با خطاي نسبي كمتر از 5 درصد وجود دارد.

It is well known that short-term market price forecasting has been a difficult problem for a long time because of too many factors which can not be accurately predicted. Conventionally, time series analysis has been often employed in modeling short-term price forecasts. In recent years a new technique of artificial neural networks (ANN) has been proposed as an efficient tool for modeling and forecasting. A feed-forward ANN model has been developed for short-term price forecasting of tomato and in comparison with time series model ARIMA in this study. The data used include daily wholesale price, weekly wholesale price and monthly wholesale price collected between 1996 and 2010. The results showed that ANN model evidently outperformed the time series model in forecasting the price before one day or one week. A good correlation between the modeled and the real prices was observed from the feed-forward ANN model, with a relative error less than 5.0%.