رهيافت شبكه عصبي مصنوعي در مقايسه با روش خود توضيح ميانگين متحرك انباشته )مطالعه موردي: پيش بيني قيمت سيمان در ايران(

رهيافت شبكه عصبي مصنوعي در مقايسه با روش خود توضيح ميانگين متحرك انباشته )مطالعه موردي: پيش بيني قيمت سيمان در ايران(

رهيافت شبكه عصبي مصنوعي در مقايسه با روش خود توضيح ميانگين متحرك انباشته )مطالعه موردي: پيش بيني قيمت سيمان در ايران( دكترخديجه نصرالهي استاديار دانشكده علوم اداري و اقتصاد دانشگاه اصفهان عاطفه فريدوني ناغاني* دانشجوي كارشناسي ارشددانشكده علوم اداري و اقتصاد دانشگاه اصفهان تاريخ دريافت: 29/9/89 تاريخ پذيرش: 27/2/90 چكيده ارتباط نزديك ميان مصرف سيمان و ميزان توسعه يافتگي، اهميت زير بنايي اين محصول را در اقتصاد هر كشور آشكار مي‌سازد. در اين جاست كه در اختيار داشتن يك پيش بيني دقيق از قيمت اين محصول در آينده ارزش و اهميت زيادي پيدا مي‌كند. در اين مقاله، پيش بيني با استفاده از دو روش ANN و ARIMA در قالب پيش بيني گذشته نگر و آينده نگر متغير مورد نظر (قيمت سيمان) انجام گرفته است. مقايسه مقادير به دست آمده از هر روش، مشخص مي‌كند خطاي پيش بيني در روش شبكه عصبي به طور متوسط كمتر بوده، در نتيجه اين روش در پيش بيني كاراتر است. كليد واژه‌ها : شبكه عصبي مصنوعي ، فرآيند خود توضيح جمعي ميانگين متحرك، قيمت سيمان.

Approach of Artificial Neural Networks in Comparison with ARIMA ) Case study: Cement Price Forecasting in IRAN ( Khadijeh Nasrollahi, PHD Isfahan University professor assistant Atefeh Feridooni Naghani Isfahan University M. A. Economics student Abstract Close relation between cement consumption and development process reveals the essential role of this product in the economy of each country. Hence, it is important to have a precise forecast for cement price. In this regard, the forecast has done using both ARIMA Process and Artificial Neural Network in the content of expost and exant prediction. Utilizing Performance Comparison indexes to each approach determines that, on the average, error prediction in ANN approach is less than ARIMA Process. As a result, it can be said that ANN approach could be more efficient. Key Words: Artificial Neural Network(ANN), Autoregressive Integrated Moving Average (ARIMA )