بررسی، تحلیل و پیش بینی دادگان فائواستات به منظور استخراج اطلاعات مفید برای مدیریت راهبردی در بخش کشاورزی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 234

فایل این مقاله در 26 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_AMFAD-5-2_004

تاریخ نمایه سازی: 24 بهمن 1401

چکیده مقاله:

کشاورزی، یک بخش مهم از تولید ناخالص داخلی کشورهاست که در کشور ایران، بخش کوچکی از آن را تشکیل می دهد. هدف از این تحقیق، بررسی، تحلیل و مدل سازی دادگان کشاورزی فائواستات به روش های هوش مصنوعی برای پیش بینی آینده میزان فروش و واردات/صادرات اقلام مختلف ایران و کشورهای دیگر به منظور مدیریت راهبردی بهتر در بخش کشاورزی است. در گذشته، پژوهش های مختلفی برای مدل سازی تولید اقلام مختلف در کشورهای دیگر و ایران انجام شده است ولی معمولا محدود به یک کشور و محصول مشخص بوده است. در این تحقیق، ابتدا با بررسی همه جانبه دادگان فائواستات به خش هایی از آن که به سود و مدیریت راهبردی در کشاورزی مرتبط است شناسایی می شود. سپس تحلیل و بررسی انواع روش های یادگیری ماشین و استوکستیک بر روی محصولات کشاورزی در کشورهای مختلف انجام خواهد شد. با انجام آزمایش های مختلف سری های زمانی فائواستات با روش افزایش-گرادیان با خطای متوسط MAPE ۱۱٫۳٪ برای یک سال آینده پیش بینی شدند که نسبت به خطای روش پایه ARIMA (که برابر با ۱۳٫۷٪ است) ۱۸٪ بهبود نسبی نشان می دهد.

نویسندگان

حسین هادیان

دکتری (مهندسی کامپیوتر)، نویسنده مسئول

سیدابوالفضل مطهری

استادیار دانشگاه صنعتی شریف

محمدرضا خسروی

عضو هیئت علمی دانشگاه عالی دفاع ملی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Adhikari, Ratnadip (۲۰۱۳), “An Introductory Study on Time Series Modeling ...
  • Bishop, Christopher M. (۲۰۰۶), Pattern Recognition and Machine Learning, USA, ...
  • Chang, Ming-Wei (Nov. ۲۰۰۴), Load forecasting using support vector machines: ...
  • Chen, Kai (Dec. ۲۰۱۵), A LSTM-based method for stock returns ...
  • Christiaanse, W. R (March ۱۹۷۱), Short-term load forecasting using general ...
  • Deb, Chirag (July ۲۰۱۷), A review on time series forecasting ...
  • Deshmukh, Sagar (March ۲۰۱۶), Forecasting of milk production in India ...
  • Drucker, Harris, Burges, Christopher, Kaufman, Linda (July ۱۹۹۷), Support Vector ...
  • González, Pedro (June ۲۰۰۵), Prediction of hourly energy consumption in ...
  • Hamzacebi, Coskun (Dec. ۲۰۰۸), Improving artificial neural networks’ performance in ...
  • Li, Qiong, Meng, Qingling (Jan. ۲۰۰۹), Predicting hourly cooling load ...
  • Mills, Terence C. (۱۹۹۰), Time Series Techniques for Economists, Cambridge, ...
  • Mintzberg, Henry (۱۹۹۶), The Strategy Process: Concepts, Contexts, Cases, USA, ...
  • Nasr, G.E. (Jan. ۲۰۲۰), Neural networks in forecasting electrical energy ...
  • Nizami, Javeed, Algerni, Ahmed (Dec. ۱۹۹۵), Forecasting electric energy consumption ...
  • Porter, Michael (۱۹۹۸), Competitive Strategy, USA, Free Press ...
  • Rumelhart, David, Hinton, Geoffrey (Oct. ۱۹۸۶), Learning representations by backpropagating ...
  • Tay, Feh (Nov. ۲۰۰۳), Support Vector Machine with Adaptive Parameters ...
  • پرویز، لیلا، پیمایی، مهسا (زمستان ۱۳۹۷)، پیش بینی اقلیمی استوکستیکی ...
  • حسینی، سید محمد طاهر، سی وسه مرده، عادل، فتحی، پرویز، ...
  • رحمانی، الهام، خلیلی، علی، لیاقت، عبدالمجید (تابستان ۱۳۸۷)، بررسی کمی ...
  • نمایش کامل مراجع