تحلیل برآورد تقاضای فولاد ایران به کمک شبکه های عصبی

در دنیای صنعتی امروز پیش بینی دقیق تقاضای فولاد اهمیت بالایی دارد زیرا فولاد به عنوان ماده ای پایه ای و راهبردی نقش کلیدی در توسعه اقتصادی، ساخت و ساز، صنایع خودروسازی و زیرساخت ها ایفا می کند. پیش بینی تقاضا به تولیدکنندگان و سرمایه گذاران امکان بهینه سازی تولید و مدیریت موجودی می دهد و به سیاست گذاران کمک می کند تصمیمات استراتژیک با ریسک پایین اتخاذ کنند. نوسانات بازار، تغییرات اقتصادی و عوامل محیطی و ژئوپلیتیکی ضرورت مدل های پیش بینی دقیق را افزایش می دهد. در این مطالعه مدل های آماری کلاسیک (ARIMA)، شبکه های عصبی CNN و LSTM و رگرسیون تقویت شونده گرادیانی برای پیش بینی تقاضای فولاد در ایران بررسی شدند. نتایج با شاخص RMSE نشان داد LSTM با حفظ اطلاعات سری های زمانی و شناسایی الگوهای بلندمدت بهترین عملکرد و دقت را در پیش بینی بلندمدت ارائه می دهد.

کلیدواژه ها:

پیش بینی تقاضای فولاد ، شبکه عصبی ، حافظه بلندمدت (LSTM) ، شبکه عصبی کانولوشنی (CNN) ، رگرسیون تقویت شونده گرادیانی