Abstract:
تعد طرق التنبؤ من الطرق الإحصائية المهمة المستخدمة في التنبؤ بالقيم المستقبلية للسلاسل الزمنية بناءا علي بيانات الماضي والحاضر وذلك لمنطقية النتائج التي يتم الحصول عليها إذا ما تحققت الشروط الخاصة ببعض البيانات ونماذج السلاسل الزمنية .
تهدف هذه الدراسة إلي دراسة طرق التنبؤ بالسلاسل الزمنية باستخدام نموذجي بوكس جنكنز والشبكات العصبية الاصطناعية حيث كل طريقة لها مراحل محددة تختلف عن الاخري وفي حالة عدم المرور بهذه المراحل تعطي هذه الطرق نتائج غير مرغوب فيها وعليه تبرز بعض المشاكل الخاصة التي تجعل من الصعوبة التنبؤ بنتائج أي من الطريقتين ومن هنا جاءت أهمية هذه الدراسة التي استخدمت نموذجي بوكس جنكنز والشبكات العصبية الاصطناعية .
كما هدفت الدراسة لإبراز العلاقة ما بين الأساليب المستخدمة للتنبؤ في السلاسل الزمنية ودقة التنبؤات المتحصل عليها ، ومدى تأثير التغيرات التي تطرأ على السلاسل الزمنية ودرجة العشوائية واللاخطية في البيانات على أداء هذه الأساليب .
من خلال الدراسة التطبيقية لتحليل السلسلة الزمنية باستخدام نماذج بوكس – جنكنز ونماذج الشبكات العصبية الاصطناعية لغرض التنبؤ بمناسيب النيل الأزرق بمحطة ود مدني توصل الباحث إلي جملة من النتائج والتوصيات .
تمثلت أهم نتائج هذه الدراسة في الأتي :-
1- يتأثر أداء نماذج بوكس جنكنز ونماذج الشبكات العصبية في التنبؤ بنمط البيانات المدخلة .
2- تم بناء نماذج بوكس جنكنز باستخدام نموذج الانحدار الذاتي والمتوسطات المتحركة التكاملية ARIMA(1,1,0) بناءا علي نتائج دالتي الارتباط الذاتي والارتباط الذاتي الجزئي وقد تم التأكد من أن هذا النموذج جيد ويعطي تنبؤات دقيقة وقريبة من الواقع من خلال حساب الإحصائية Q التي اتضح عدم معنويتها , وأخيرا تم عمل التنبؤات اليومية لمناسيب النيل في الفترة من 1 سبتمبر وحتى 30 سبتمبر من العام 2010م .
3- تم بناء نماذج الشبكات العصبية باستخدام شبكة البير سبترون متعدد 3- الطبقات (MLP ) والذي تكونت بنيته المعمارية من ثلاث طبقات (طبقة مدخلات (2) ، طبقة خفية (5) ، طبقة مخرجات (1)) واستخدمت الدالة اللوجستية كدالة تحفيز في الطبقة الخفية وفي طبقة المخرجات وأستخدم لتدريب هذه الشبكات خوارزمية الانتشار السريع واتضح أن الشبكة الناتجة جيدة وأعطت تنبؤات دقيقة وقريبة من الواقع في الفترة من 1 سبتمبر وحتى 30 سبتمبر من العام 2010م .4- درجة التغيرات في السلسلة الزمنية وخاصة التغيرات العشوائية ، يؤثر تأثيرا مباشراً على النتائج المتحصل عليها باستخدام الأسلوبين محل الدراسة ، فكلما زادت حدة التغيرات في السلسلة الزمنية قلت كفاءة نماذج بوكس - جنكنز مقارنة بنماذج الشبكات العصبية .
5- تتأثر نماذج الشبكات العصبية بشكل مباشر بحجم البيانات المتاحة (طول السلسلة الزمنية ) فكلما كان حجم البيانات كافيا بحيث تظهر كل تغيرات السلسلة كلما ارتفعت درجة التعلم في الشبكة ومن ثم زادت كفاءة نماذج الشبكة في التنبؤ .
6- كلما زادت فترة التنبؤ في المستقبل كانت نتائج الشبكات أدق من نتائج بوكس - جنكنز وذلك من خلال نتائج التنبؤ المتحصل عليها من هذه النماذج .
بناء على النتائج خلص الباحث إلى التوصيات الآتية :
1- يفضل استخدام نماذج بوكس - جنكنز في السلاسل الزمنية الأقل تعقيدا و كلما ارتفعت درجة التعقيد في السلسلة يفضل استخدام نماذج الشبكات العصبية .
2- إذا لم يكن طول السلسلة الزمنية كافيا بحيث تظهر كل التغيرات بوضوح فإنه يفضل استخدام نماذج بوكس – جنكنز علي نماذج الشبكات العصبية .
3- من أجل رفع كفاءة نماذج بوكس - جنكنز ونماذج الشبكات العصبية للتنبؤ في السلاسل الزمنية يجب الاهتمام بإزالة تأثيرات المتغيرات المختلفة من بيانات السلسلة الزمنية قبل تطبيق هذه الأساليب .
4- في البيانات التي تعاني من الاضطرابات وعدم ثبات التباين فإنه يفضل استخدام نماذج الشبكات العصبية على نماذج بوكس - جنكنز .
5- من الممكن تطبيق النموذج والشبكة الناتجة لغرض التنبؤ بالمناسيب اليومية في أي محطة أخري .
كما تم التأكد من أن النماذج الناتجة وفق بيانات السلسلة جيدة وتعطي تنبؤات دقيقة وقريبة من الواقع من خلال عمل التنبؤات لفترة من الزمن وفقا للنماذج الناتجة من خلال حساب بعض المقاييس الإحصائية .