الفهرس 
IntroductionOnly 14 pages are availabe for public view
 |  | from | 133 |  |  |
| | | from | 133 | | |
Abstract
يعتبر التنبؤ بالقيم المستقبلية من أهم مراحل تحليل السلاسل الزمنية وتتوقف مرحلة التنبؤ على المراحل السابقة لها.إذ أن النموذج الجيد يعطى تنبؤات جيدة . من أشهر طرق التنبؤ بالسلاسل الزمنية هي طريقة بوكس وجينكنز وهى تتضمن أربعة مراحل هى توصيف النموذج وتقدير معالمه والتحقق من صلاحيته ثم استخدامه فى التنبؤ. توجد كذلك طرق أخرى باستخدام أسلوب باييزلتحليل السلاسل الزمنية ولكن تكمن المشكلة الاساسية فى حالة انحدار المشاهدة الحالية على الاخطاء السابقة ) أي حالة نماذج( MA ,ARMA فى هذه الحالة يكون لدالة الامكان شكلا معقدا بسبب أن الاخطاء لها علاقة غير خطية فى المعلمات مما يصعب معه ايجاد مصفوفة الدقة ومحدد مصفوفة التباين والتغاير وخاصة مع زيادة حجم العينة .بالاضافة الى ان هذه الطرق تحتاج الى مهارة وخبرة وممارسة عملية وقدر من الحكم الشخصى للباحث بالاضافة الى الأسس النظرية . وفى محاولة لتجنب تلك المشكلة جاء هذا البحث امتدادا لما قدمه ALshawadfi (2003) والذى استخدم الشبكات العصبية فى التنبؤ بالسلاسل الزمنية المولدة من نماذج ARMA حيث اوضحت تلك الدراسة قدرة الشبكات العصبية على التنبؤ بالقيم المستقبلية للسلاسل الزمنية وتفوقها على طريقة بوكس وجينكنز .هذا البحث يقدم طريقة مقترحة للتنبؤ بالسلاسل الزمنية باستخدام الشبكات العصبية البيزية (Network (Bayesian Neural كما يقارن بين الطريقة المقترحة وأحد طرق باييز التقليدية وهى طريقة تقريب توزيع t التى قدمها Broemeling and Shaarawy (1988). ولتحقيق أهداف البحث قمنا بتصميم برنامج باستخدام حزم برامج الماتلابMATLAB software . وتم تدريب الشبكة باستخدام 48000عينة سلسلة زمنية مولدة من نماذج انحدار ذاتى مع متوسطات متحركة ARMA(p,q)بمعلمات مختلفة وأحجام عينات مختلفة كما تم اختبار مدى قدرة الشبكة على التنبؤ بالقيم المستقبلية لسلسلة زمنية معطاة ومقارنة تنبؤات تلك الطريقة بتلك التى حصلنا عليها باستخدام طريقة باييز التقليدية باستخدام ثلاثة معايير لقياس دقة التنبؤ وهي متوسط مربعات الخطأMSE)) ومتوسط الأخطاء المطلقة(MAE) ونسبة اقتراب التنبؤات من قيمتها الحقيقية (MAER) . وقد أظهرت النتائج وفقا لتلك المعايير وفى ضوء ثلاث اعتبارات حجم العينة والنموذج المحدد وأفق التنبؤ ما يلى :- وفقا للمقياسMSE نجد تفوق أداء طريقة الشبكات على أداء طريقة باييز. حيث كانت المتوسط كانت قيمMSE لاداء الشبكات أقل من نظيرتها لطريقة باييز وفقا للمقياس MAEفى المتوسط قيم الشبكات للمقياسMAEاقل من قيم نظيرتها لطريقة باييز مما يعنى تفوق طريقة الشبكات على طريقة باييز وفقا للمقياسMAER أظهرت النتائج تفوق طريقة الشبكات بنسبة 24% للتنبؤ بالمشاهدات المستقبلية الثلاث الاولى إلى جانب ما سبق تم تطبيق الطريقة المقترحة على سلاسل بيانات حقيقية واعتمدت الدراسة التطبيقية على توزيع جاما المعتاد كتوزيع قلبى وذلك فى ضوء ثلاث حالات (وجود معلومات قبلية كاملة , وجود بعض المعلومات القبلية , عدم وجود معلومات قبلية ). وقد أظهرت النتائج أن أداء الطريقة المقترحة باستخدام الشبكات العصبية أفضل من أداء طريقة باييز للتنبؤ بالمشاهدات المستقبلية وفقا للمعايير الثلاث السابقة كما أظهرت قدرة الطريقة المقترحة على التنبؤ بالقيم المستقبلية لسلسلة زمنية معطاة بطريقة أوتوماتيكية سهلة.