|
Title
|
دلي تركيبي مبتني بر خوشه بندي و شبكه هاي عصبي بازگشتي براي پيش بيني سري هاي زماني
|
|
Type
|
Thesis
|
|
Keywords
|
پيش بيني سري هاي زماني، شبكه هاي عصبي بازگشتي، خوشه بندي، شبكه ها ي حافظه بلند- كوتاه مدت، واحد بازگشتي دروازه اي.
|
|
Abstract
|
در اين تحقيق، يك مدل تركيبي مبتني بر خوشه بندي و شبكه هاي عصبي بازگشتي براي پيش بيني سري هاي زماني معرفي مي شود. يكي از چالش هاي اصلي در پيش بيني سري هاي زماني، استفاده از مدل هاي عمومي براي تمامي سري هاي زماني است كه ممكن است دقت پيش بيني را كاهش دهد. براي حل اين مشكل، اين پژوهش به بررسي روش هاي خوشه بندي براي دسته بندي سري هاي زماني مشابه پرداخته و براي هر خوشه مدل پيش بيني جداگانه اي طراحي مي كند. در اين راستا، از شبكه هاي عصبي بازگشتي براي مدل سازي دنباله هاي زماني استفاده مي شود. در اين تحقيق، ابتدا ويژگي هاي هر سري زماني استخراج شده و سپس با استفاده از الگوريتم هاي خوشه بندي مانند \lr{K-Means} و \lr{K-Medoids}، سري هاي زماني مشابه گروه بندي مي شوند. پس از خوشه بندي، براي هر گروه يك مدل پيش بيني جداگانه مبتني بر شبكه هاي عصبي بازگشتي طراحي مي شود. مدل پيشنهادي بر روي داده هاي واقعي مصرف برق شهر بوشهر آزمايش شده است كه نتايج آن به طور قابل توجهي دقت پيش بيني را نسبت به مدل هاي تك متغيره سنتي بهبود بخشيده است. اين مدل مي تواند در حوزه هاي مختلف پيش بيني سري هاي زماني، مانند پيش بيني تقاضا، پيش بيني بازار سهام، و پيش بيني وضعيت سيستم هاي مختلف كاربرد داشته باشد.
|
|
Researchers
|
mojib porohan (Student) , Hossein Haghbin (First primary advisor) , Amin Torabi Jahromi (Advisor)
|