پیشبینی سری زمانی در متلب
سری زمانی در متلب
سری زمانی از مهمترین مسائل کاربردی در زمینههای علوم مختلف از جمله اقتصاد، مهندسی برق، علوم مهندسی، هواشناسی، بورس، مهندسی کنترل، علوم زیستی، کیهانشناسی و… است. پیشبینی سری زمانی به عنوان یک ماشین در نظر گرفته میشود. مقادیر گذشته سری زمانی ورودی و آینده آن خروجی سیستم شناسایی هستند. بررسی گذشته یک داده برای شناخت یک پدیده و شناسایی آن اولین قدم برای یک مدلسازی است که به کمک آن میتوان به یک پیشبینی صحیح و اصولی دستیافت.
ابزارهای متفاوتی وجود دارند که با استفاده از آنها میتوان به بررسی و تحلیل پیشبینی سری زمانی استفاده کرد. این ابزارها توسط نرمافزارها و الگوریتمهای مختلف پیادهسازی شدهاند. نرمافزار متلب نیز یکی از این نرمافزارهاست با داشتن امکانات فراوان و قدرتمند و در قالب تولباکسهایی که بهصورت آماده برای کاربران فراهم نموده است، میتواند به آنها در پیادهسازی الگوریتمهای مختلف کمک کند.
انواع سری زمانی
سری زمانی به دو گروه تقسیم میشود: سری زمانی پیوسته و گسسته. اگر مشاهدات بهصورت پیوسته در یک سری زمانی اتفاق بیفتند عبارت سری زمانی پیوسته برای آن به کار برده میشود. زمانی که یک متغیر بتواند مقادیر گسسته را به خود بگیرد در این صورت عبارت سری زمانی پیوسته برای آن کاربرد دارد.
مثالهایی از کاربردهای سری زمانی
به جمعآوری آمار و اطلاعات مرتبط با یک متغیر که قرار است آینده آن پیشبینی شود در هر علم، سری زمانی گفته میشود. یک سری زمانی یک عده اعداد آماری است که در بازههای زمانی متفاوت جمعآوری شدهاند. این آمار در علوم مختلفی به کار میآید از جمله:
- پیشبینی سری زمانی در آمار: اندازهگیری جمعیت به طور سالانه برای پیشبینی تغییرات جمعیت در یک دوره زمانی دهساله و یا بیستساله
- اقتصاد: مانند میزان صادرات در یک دوره زمانی و یا قیمت سهام در بازار در یک بازه زمانی مشخص
- بازاریابی: تحلیل میزان خریدوفروش مثلاً در یک ماه مشخص
روشهای پیشبینی سری زمانی
شبکه عصبی مهمترین روش برای پیشبینی سری زمانی است. این روش برای اولینبار توسط آقایان مک کلوچ و پیتز ارائه شد و آنها با کمک هم توانستند مدل نرون را بسازند که قابلیت ایجاد دروازههای OR و AND را داشتند. پس از این افراد دانشمندان دیگری بر روی تک نرون کار کردند و توانستند شبکههای زیادی از نرونها را بسازند. دز زمانهای گذشته ساختارهای مختلفی برای این شبکههای عصبی ارائه داده شد که اصلیترین آنها feedforward و شبکههای بازگشتی هستند. برای این دو شبکه، الگوریتمهای متنوع تعلیم ارائه داده شده است که به دو گروه نظارتی و غیر نظارتی تقسیم میشوند. از مهمترین کاربردهای شبکههای عصبی میتوان به کاربردهای شبکههای عصبی، تقریب توابع، شناخت الگوهای مرئی، کنترلکنندهها، پیشبینی (وضع هوا و سریهای زمانی و…)، طبقهبندی و اشاره کرد.
RBF، Backpropagation و PNN از جمله مهمترین شبکههای عصبی برای پیشبینی سری زمانی هستند.
فیلمهای آموزشی پیشبینی سریهای زمانی
در مجموعه فیلم آموزشی پیشبینی سریهای زمانی که توسط مجموعه مکتبخونه تدوین شده است، سرفصلهای مختلف به طور کامل شرح داده شده است که توصیه میشود برای یادگیری بهتر تمامی قسمتها را به طور کامل مشاهده کنید. همچنین برای یادگیری بیشتر مطالب میتوانید جزوه سریهای زمانی را مطالعه کنید.
کلام پایانی
مبحث پیشبینی سری زمانی بسیار گسترده و پیچیده است و توضیحاتی که داده شد تنها گوشه اندکی از آن است. برای اینکه به طور کامل بتوانید با مفاهیم سری زمانی در متلب آشنا شوید میتوانید در دورههای آموزشی متلب شرکت کنید.