پيش‌بيني قيمت زنجيره محصولات با استفاده از سيستم مبتني بر شبكه‌هاي عصبي

Forecasting Price Using an Expert System Based on Neural Networks

نبود پيش‌بيني ساختارمند درخصوص محصول پركاربرد پلي‌اتيلن ترفتالات، شركت صنايع پتروشيمي را بر آن داشته است كه پيش‌بيني‌هاي قيمت را از شركت‌هاي خارجي خريداري كند. جلوگيري از خروج ارز و تحمل عوامل سياسي مانند تحريم‌ها در اين حوزه نيازمند پيش‌بيني علمي قيمت‌ها در داخل است. محققان ناچار هستند به دليل ماهيت زنجيره‌وار و نيز اطلاع نداشتن از ميزان تأثير عوامل متعدد مؤثر بر قيمت به منظور پيش‌بيني، مسائلي با پيچيدگي زياد و معادلاتي با درجه بالا را حل كنند. انتخاب تعداد و نوع متغيرهاي ورودي شبكه عصبي تأثير بسزايي در كارآيي سيستم دارد، از اين رو از روش تحليل بنيادين با تكيه بر تئوري عرضه - تقاضا و نگرش كلان اقتصادي و روش آماري دلفي براي انتخاب عواملي با اثرگذاري بيشتر بر قيمت استفاده شده است. نخست با استفاده از متغيرهاي كنترل شده، توپولوژي كلي شبكه عصبي طراحي شد. سپس با در نظر گرفتن متغيرهاي مستقل، مانند تعداد لايه‌هاي پنهان و تعداد نرون‌ها و بررسي تأثير آنها بر كارآيي عملكرد شبكه عصبي، شبكه بهينه انتخاب شد. از معيارهاي ميانگين مربعات خطا و ضريب تعيين به عنوان متغيرهاي وابسته استفاده شده است. بعد از ايجاد رابط كاربري، ارتباط سيستم با شبكه عصبي بهينه برقرار شد. به منظور بررسي عملكرد سيستم، قيمت واقعي محصول مدنظر در سال مرجع با قيمت پيش‌بيني شده به‌وسيله سيستم پيشنهادي و قيمت خريداري شده از شركت سي­ام­اي­آي مورد مقايسه قرارگرفت و نتايج، كارآيي قابل قبول سيستم پيشنهادي را با ميانگين خطاي كمتر از 3 درصد در پيش‌بيني قيمت زنجيره مد نظر اثبات كرد. اين سيستم مي‌تواند صنايع پتروشيمي را از خريد اطلاعات پيش‌بيني قيمت از شركت‌هاي خارجي بي‌نياز سازد.

Lack of a structured anticipation about different aspects of high usage product of the national petrochemical company, has forced this company to buy published anticipated prices from foreign countries. Prevent the outflow of foreign exchange and tolerance of political factors, such as sanctions in this field, require a prediction of prices in Iran. Due to chain-like nature of petrochemical products and the absence of precise knowledge of effects of many factors on price, researchers are forced to solve problems with high complexity and high grade of equations. Selecting number and type of input variables of neural network has a significant impact on the performance of a system. Therefore fundamental analysis relying on theory of supply / demand and macroeconomic perspective alongside of Delphi statistical method were used to select the most influential factor. This factor is the price of petroleum products. At First, the overall topology of the neural network is designed using controlled variables, then, considering the independent variables, the optimal network has selected. After creating the user interface, communication of system with optimal neural network was established. To evaluate the actual price of considered product in reference year, it compared with the prices predicted by the proposed system and purchased prices predicted from CMAI; acquired results proved acceptable effectiveness of the proposed system with less than 3% error in predicting of considered chain. Using this system can result in petrochemical companies’ independency from buying forecasted prices from foreign companies and prevent exiting currency from country.