رويكردي نوين در مدل‌سازي شبكه عصبي مصنوعي بر اساس منطق رگرسيون فازي و كاربرد آن در پيش‌بيني (مورد كاوي: پيش‌بيني قيمت گاز مايع ژاپن)

A Novel Approach of Artificial Neural Networks Modeling Based on Fuzzy Regression Approach for Forecasting Purposes: The case of liquid gas price in Japan’s market

در اين مقاله، يك رويكرد جديد مدل سازي براي مدل‌هاي شبكه عصبي مصنوعي بر مبناي مفاهيم شبكه هاي عصبي و رگرسيون فازي ارايه شده است. به اين منظور، مدل شبكه عصبي مصنوعي در قالب يك مدل رگرسيون غيرخطي فازي فرموله شده است، به نحوي كه اين مدل، مزاياي هر دو مدل رگرسيون فازي و شبكه عصبي مصنوعي را دارد. بنابراين، اين مدل به دليل انعطاف پذيري بالا، قابليت استفاده در شرايط نبود قطعيت، مبهم يا پيجيده را دارد. علاوه بر اين، مطالعه موردي پيش‌بيني قيمت گاز مايع در بازار ژاپن (بزرگ‌ترين وارد‌كننده گاز طبيعي جهان) براي نشان دادن نحوه استفاده از اين رويكرد ارايه شده است. نتايج به دست آمده نشان مي دهد كه قدرت پيش‌بيني مدل ارايه شده قابل قبول است. علاوه بر اين، در شرايط غيرقطعي و پيچيده مي‌تواند بر خلاف مدل‌هاي شبكه عصبي، اطلاعات شفافي از روابط موجود بين متغيرهاي ورودي و پاسخ مدل به تصيم گيرنده ارايه دهد.

In this paper, a new approach of modeling for Artificial Neural Networks (ANN) models based on the concepts of ANN and fuzzy regression is proposed. For this purpose, we reformulated ANN model as a fuzzy nonlinear regression model while it has advantages of both fuzzy regression and ANN models. Hence, it can be applied to uncertain, ambiguous, or complex environments due to its flexibility. In addition, the case study is brought in order to clearly show the way this approach could be utilized. The price of the liquid gas in Japan’s market (the world’s largest natural gas importer) is investigated based on the proposed approach. Based on the results, it is concluded that the performance of proposed model is acceptable; moreover, it can be deal with uncertain and complex environments as a clear box model.