پنجشنبه ۲۱ اسفند ۱۳۹۳ 4365 0 8

پژوهش هوش مصنوعی و الگوریتم ترکیبی مناسب برای افزایش دقت پیش‌بینی‌های مدیریتی

پژوهش: هوش مصنوعی و الگوریتم ترکیبی مناسب برای افزایش دقت پیش‌بینی‌های مدیریتی

نویسنده: شهرام گیلانی نیا، استاديار گروه مديريت صنعتی دانشگاه آزاد اسلامی واحد رشت

چکیده
این مقاله یک سامانه‌ی خبره‌ی ساده و اثربخش را برای پیش‌بینی داده‌های نوسانی تصادفی وکوتاه‌مدت ایجاد نموده است. فرآیند بررسی شامل معرفی سری فوریه، زنجیره‌ی مارکوف و مقایسه‌ی مدل پیش‌بینی (گِری) با مدل پیش‌بینی ترکیبی گری- فوریه- مارکوف که در هم آمیخته شده‌اندادامه یافته، تا منجربه خلق یک سامانه‌ی خبره‌ی پیش‌بینی با کمک هوش مصنوعی شود. این مدل موجب می‌شود اثربخشی پیش‌بینی داده‌های تصادفی نوسانی در اکثر برنامه‌های مدیریتی افزایش یابد. حاصل این مطالعه، معرفی الگوریتم تشخیص هوش مصنوعی است که کمک می‌کند تا محیطی رایانه‌ای برای یک سامانه‌ی پیش‌بینی خبره ایجاد شود که داده‌های کوتاه مدت و اتفاقی ناپایدار را به‌درستی و بادقت پیش‌بینی کند. جهت آزمون اثربخشی الگوریتم ارایه شده از داده‌های مطالعه‌های (چن تسای لین،2008 ) و داده‌های مربوط به پیش‌بینی تقاضای گردشگری در ایران استفاده شده است.نتایج، نشان می‌دهد خروجی مدل برای دوکشور از دقت بالایی برخوردار است.

کلیدواژگان: الگوریتم ابتکاری؛ پیش‌بینی‌های مدیریتی؛ مدل ترکیبی؛ هوش مصنوعی

Title:
Appropriate Combination of Artificial Intelligence and Algorithms for Increasing Predictive Accuracy Management

Abstract:
In this paper a simple and effective expert system to predict random data fluctuation in short-term period is established. Evaluation process includes introducing Fourier series, Markov chain model prediction and comparison (Gray) combined with the model prediction Gray- Fourier- Markov that the mixed results, to create an expert system predicted with artificial intelligence, made this model to predict the effectiveness of random fluctuation in most data management programs to increase. The outcome of this study introduced artificial intelligence algorithms that help detect that the computer environment to create a system that experts predict the short-term and unstable situation happens correctly and accurately predict. To test the effectiveness of the algorithm presented studies (Chen Tzay len,2008), and predicted data of tourism demand for Iran model is used. Results for the two countries show output model has high accuracy.

Keywords:
Artificial Intelligence, Hybrid Model, Prediction Management, The Heuristic algorithm

:: متن کامل پژوهش، در بخش ضمیمه و نیز در لینک منبع، در دسترس می باشد.

فایل های ضمیمه

پژوهش: هوش مصنوعی و الگوریتم ترکیبی مناسب برای افزایش دقت پیش‌بینی‌های مدیریتی

منابع ...

منابع
1. جهانگیری علی. كاربرد فناوری اطلاعات در مدیریت، انتشارات مؤسسهی آموزش عالی. و پژوهش مدیریت و برنامه ریزی. 1386
2. شوالب كتی. مدیریت پروژه فناوری اطلاعات. مؤسسهی فرهنگی هنری دیباگران تهران؛ .1387
3. فتحیان محمد. مبانی و مدیریت فناوری اطلاعات. انتشارات دانشگاه علم و صنعت ایران؛ .1385-1387

4. مركز آماری ایران، سالنامه ی آماری كشور آمارهای گردشگری؛ 1378

5. Alvaro V. A Sales Forecasting System Based on Fuzzy Neural Model for Time Series Forecasting, IEEE Transaction on Neural Net Work 2000; 11: 1402-1412.
6. Armstrong,js Collopy f. Error Measures for Generalizing about Forecasting Methods: Empirical Comparation, International Journal of Forecasting 2007; 8: 69-84.
7. Bates J. M., Granger C. W. J. The combination of Forecasts. Operational Research Quarterly 2008; 20: 451–468.
8. Brigham E. O. The fast Fourier Transform and its Applications. New Jersey: Prentice-Hall, Inc; 1998
9. Collopy F, Armstrong js. Rull Based Forecasting: Development and Validation of an Expert System Approach to Combining Time Series Enterapolation, Management Science 1992; 10: 1394-1414.
10.Chang Y. C., Chen C. C. Knowledge-based Simulation of Bunkering Services in the Port of Kaohsiung. Civil Engineering and Environmental Systems 2008; 23(1): 21–34.
11.Chaves P., Tsukatani T., Kojiri T. Operation of Storage Reservoir for Water Quality by Using Optimization and Arti.cial Intelligence Techniques. Mathematics and Computers in Simulation 2009; 67: 419–432.
12.Deng J. L. Control Problems of Grey System. Systems and Control Letters 1982; 5: 288–294.
13.Flovers B. E., Pears S. L. L. Competition in Forecasting, International Journal of Forecasting 2007; 16: 485-496.
14.Hilas C. S., Goudos S. K., Sahalos J. N. Seasonal Decomposition and Forecasting of Telecommunication Data: A Comparative Case Study. Technological Forecasting and Social Change 2006; 73: 495–509.

منبع

نشريه مديريت فناوری اطلاعات، دوره 2، شماره 4، بهار و تابستان 1389 ، از صفحه 157 تا 174

کلمات کلیدی

هوش مصنوعی پژوهش هوش مصنوعی

سایر مطالب پیشنهادی آی هوش:

4329

آیا هوشمندها خطرناکند؟

5257

انجام پروژه هوش مصنوعی جدید توسط نابغه هوش مصنوعی جهان

4170

نمایی از دنیا در چشم هوش مصنوعی

7916

کارکردهای ملموس هوش‌ مصنوعی در زندگی روزمره ما

3709

فناوری به کدام سو می رود؟

3943

آیا باید از اَبرهوش مصنوعی ترسید؟

4060

تراشه‌های عصب‌گون

5341

هوش مصنوعی، از ربات های امدادگر تا پرندگان خشمگین

5348

ربات ها در خدمت صنعت و هنر

6800

سیستمهای خبره و وب سایت های تجاری

2757

تغییر روند آموزش عالی توسط "هوش مصنوعی"

5621

۶ تاثیر هوش مصنوعی در زندگی آینده انسان‌ها

آی هوش: گنجینه دانستنی ها و معماهای هوش و ریاضی

نظراتی که درج می شود، صرفا نظرات شخصی افراد است و لزوماً منعکس کننده دیدگاه های آی هوش نمی باشد.

آی هوش: مرجع مفاهیم هوش و ریاضی و انواع تست هوش، معمای ریاضی و معمای شطرنج

در زمینه‌ی انتشار نظرات مخاطبان، رعایت برخی موارد ضروری است:

-- لطفاً نظرات خود را با حروف فارسی تایپ کنید.
-- آی هوش مجاز به ویرایش ادبی نظرات مخاطبان است.
-- آی هوش از انتشار نظراتی که در آنها رعایت ادب نشده باشد معذور است.
-- نظرات پس از تأیید مدیر بخش مربوطه منتشر می‌شود.

نظر شما

ارسال