بهينه سازي شبكه عصبي ELM در مسئله پيش‌بيني

Optimization ELM neural network in prediction problem: case study forecasting demand steel in Iran

براي محيط هميشه در حال تغيير اين دوران و تغيير در شيوه تعاملات شركت ها با تامين كنندگان و مشتريان و پيچيدگي بازارهاي كاهش دوره عمر محصولات و اهميت يافتن زمان پاسخگويي به مشتريان، پيش بيني تقاضاي محصول عمل حياتي براي رقابت پذيري سازمان ها مي باشد. با پيش بيني دقيق الگوهاي تقاضاي دولت و توليدكنندگان مي توانند براساس ميزان و جهت جريان آتي توليد، برنامه ريزي ها را سازماندهي كنند و زيرساخت بهتري در رشد صنعت مهيا سازنده با هدف ارائه يك ابزار دقيق پيش بيني در صنعت فولاد، اين مطالعه، به بهينه سازي شبكه عصبي ELM به كمك الگوريتم ژنتيك مي پردازد. كه در آن پارامترهاي شبكه، از قبيل تعداد و توابع فعالسازي نورون ها در لايه مخفي، وزن هاي اتصالي بين ورودي ها و نورونهاي لايه مخفي باياس نورونهاي لايه مخفي و ها (پارامتر تنظيم سازي)، به كمك الگوريتم ژنتيك تعيين مي شود. براي پيش بيني تقاضا فولاد خام كشور، داده هاي مرتبط با توليد و مصرف فولاد خام و محصولات فولادي كشور، بصورت ماهيانه و در بازه زماني دي ماه 88 تا مرداد ماه 92 (جمعا 44 نمونه و 22 مشخصه) جمع آوري گرديد. داده هاي دي ماه 88 تا بهمن 91 در آموزش شبكه و داده هاي مربوط به اسفند 91 تا مرداد 92 در آزمون شبكه استفاده شد. براي نشان دادن كارايي مدل پيش بيني كننده، مقايسه ي عملكرد از لحاظ دقت پيش بيني و سرعت يادگيري بين الگوريتم ELM بهينه شده با الگوريتم ELM و ساير شبكه هاي عصبي صورت گرفته است. معيارهاي پيش بيني نشان دهنده ي عملكرد خوب ELM بهينه شده نسبت به ساير شبكه هاي عصبي مي باشد. براساس آزمون هاي آماري و خطاهاي RMSE وMAPE نتايج نشان مي دهد كه دقت ELM به مراتب بهتر از ساير روشهاي شبكه عصبي است. به - علاوه، مدل ELM دو بار سريعتر از شبكه هاي عصبي كلاسيك است. براساس يافته ها مي توان به يقين گفت كه بين الگوريتم هاي مورد بررسي، ELM ابزار دقيق تر و قوي تري در مسئله تقاضاي فولاد است. البته نوع بهينه يافته شبكه عصبي ELM دقت بهتري در مدل سازي تابع تقاضا داشته است ، ولي روش ELM از نظر زماني بهينه تر بوده است.

Prediction of supply and demand, is a crucial issue for supply chain partners. With the accurate forecasted supply and patterns that indicate the sizes and directions of future production flow, the government and suppliers can have a well-organized strategy and provide a better infrastructure for improving industrial sector.With the aim of developing accurate forecasting tool in steel industry, this study present a new optimized neural network, by combination of Extreme Learning Machine and genetic algorithm. We employed our model on a dataset for steel supply - demand in Iran from jul-2009 to jan2013 to estimating the performance. The results show that prediction accuracy and performance relatively better than other classical approaches, according to RMSE and MAPE evaluations. In our model. Based on statistical tests, our new model is better than other model in accuracy, so can be used in as a suitable forecasting tool in steel supply forecasting problems.