عنوان المقالة:استخدام الشـبكات العصبية الاصطناعية المحسنة ونماذج بوكس-جنكينز في تحليل السلاسل الزمنية Using the Improved Artificial Neural Networks and Box-Jenkins in Time Series Analysis.
تعد الشبكات العصبية الاصطناعية“ANN” منهجية معاصرة ومتقدمة، استقطبت اهتمام كثير من الباحثين والعلماء في شتى المجالات والتخصصات منها الطبية والهندسية والاحصائية وبحوث العمليات وتقانة المعلومات "IT" وغيرها.
اكتسبت الشبكات العصبية الاصطناعية في السنوات الاخيرة اهمية متزايدة في معالجة وتحليل السلاسل الزمنية وحساب التنبوءات المستقبلية، نظراً لما تمتاز به من مرونة كبيرة مقارنةً بالطرائق التقليدية المعروفة والمعتمدة في هذا المجال فضلا عن قدرتها على التعلم والتكيف ذاتياً مع أي نموذج. وبغية التعرف اكثر على سلوكية ومنهجية الشبكات العصبية الاصطناعية قسمت الاطروحة في جانبها العملي الى جانبين رئيسين هما الجانب التجربي والجانب التطبيقي فضلا عن الجانب النظري، للتوصل والخروج بالنتائج المرجوه التي تفيد الباحثين في هذا المجال.
الملخص الانجليزي
استخدم اسلوب المحاكاة لدراسة وتحليل منهجية الشبكات العصبية الاصطناعية عن كثب حيث تم توليد ثمانية سلاسل زمنية تمثل مختلف حالات السلاسل الزمنية (الموسمية، الاوساط المتحركةMA، الانحدار الذاتيAR، المختلطةARMA، شبه الخطية) للوقوف على جودة تلك الشبكات في الواقع العملي والفعلي ومعرفة سلوكيتها في مختلف الحالات، اذ كان هذا هو الهدف الرئيس من استخدامها.
اما الهدف الاخر، هو دراسة تأثير زيادة عدد العقد في طبقة المدخلات على كفاءة مخرجات الشبكة ومقارنتها مع تأثير عدد العقد في الطبقة المخفية على تلك المخرجات من خلال اعتماد اسلوب معدل في نمذجة وتشخيص مدخلات الشبكة العصبية في حالة البيانات من نوع السلسلة الزمنية. فضلا عن تحديد العدد الامثل لعدد العقد في الطبقة المخفية.
وتم اعتماد بيانات النفط الخام للمملكة العربية السعودية في الجانب التطبيقي كونها من اهم الدول المنتجة واكثرها استقرارا وتعد نموذجاً لدول المنطقة التي تتشابه الى حد كبير في سلوكيتها. وتم انتخاب بيانات ذات سلوك منتظم للتعرف بشكل دقيق على جودة الشبكات العصبية الاصطناعية بشكل عام والاسلوب المعدل "المقترح" بشكل خاص، والذي يتميز بقابليته في معالجة النماذج شبه الخطية وغير الخطية والمعلمية وشبه المعلمية وغير المنتظمة. وتم اعتماد معيار مهارة التنبؤ والمعايير الاحصائية للخطأ لقياس كفاءة الطرائق المعتمدة في الجانب العلمي.
ان الغرض هو مناقشة توظيف نموذج تنبؤ حر (Model Free Forecasting) ذكي قادر على ان يحاكي أي نموذج او سلسلة زمنية خطية كانت او شبه خطية او غير خطية سواء كان الخطأ يتبع التوزيع الطبيعي او أي توزيع اخر. فضلا عن اعتماد منهجية متطورة حديثة ذات قدرات ذكية للمعالجة وتحليل السلاسل الزمنية والتنبؤ ومساعدة الهرم الاداري الاعلى في اتخاذ القرار والتخطيط ووضع الاستراتيجيات المناسبة.
وخلصت الاطروحة الى جملة من الاستناجات والتوصيات منها:
برهنت النتائج كفاءة ومقدرة اسلوب الشبكات العصبية في معالجة النماذج "السلاسل" شبه الخطية وغير الخطية وعجز "فشل" نماذج بوكس-جنكينز في معالجة تلك الحالات "السلاسل"، بالرغم من تطبيق "فرض" منهجية بوكس-جنكينز عليها.
برهنت النتائج كفاءة وفاعلية الكبيرة أسلوب بوكس–جنكينز في معالجة نماذج الانحدار الذاتي التامة (perfect) وعندما يتوزع الخطأ توزيعاً طبيعياً بمتوسط يساوي صفر وتباين يساوي واحد [N~(0,1)] وأيضا في نماذج الأوساط المتحركة والنماذج المختلطة (ARIMA) والنماذج الموسمية، وعدم كفاءتها في حالة تلويث البيانات وعندما تكون قيمة معلمة الانحدار الذاتي (Φ) تساوي (0.5) او اقل.
خلصت تجارب المحاكاة بعدم تأثير زيادة عدد العقد عن العدد الانسب للعقد في الطبقة المخفية على نتائج مخرجات الشبكة العصبية الاصطناعية.
اثبات صحة جميع فرضيات البحث الثمانية من خلال تجارب المحاكاة في الجانب التجريبي فضلاً عن تحققها في الجانب التطبيقي.
اعتماد أسلوب الشبكات العصبية الاصطناعية المعدل بشكل خاص والشبكات العصبية الاصطناعية التقليدية بشكل عام كبديل عن طرائق السلاسل الزمنية الخطية وشبه خطية وغير الخطية ونماذج ARCH,GARCH والطرائق اللامعلمية ونماذج الانحدار. ومن الجدير بالذكر عدم قدرة "عجز" نماذج بوكس–جنكينز في معالجة النماذج شبه الخطية.
اعتماد الشبكات العصبية الاصطناعية في معالجة نماذج السلاسل الزمنية ذات الانماط المختلفة والمتنوعة التي لايتوزع فيها الخطأ وفقاً للتوزيع الطبيعي اذ لا تشرط ذلك ويمكن ان يتوزع الخطأ فيها وفقاً لاي توزيع بينما تفترض نماذج بوكس–جنكينز ان يتوزع الخطأ فيها توزيعاً طبيعياً بمتوسط يساوي صفر وتباين يساوي واحد، وهذا سيفتح افقاً واسعة للباحثين في معالجة تلك النماذج في حين كان يتغاضى عن هذا الشرط بسبب تعقيد وصعوبة اسلوب معالجته باعتماد الاساليب التقليدية.
خلصت نتائج مرحلة ما بعد العينة (Post sample) الى كفاءة ومتانة "رصانة" قيم تنبؤات الاسلوب المعدل للشبكات العصبية الاصطناعية "الاسلوب المقترح" فضلا عن عدم حساسيتها.
ان ما يميز هذه الاطروحة هو دراسة جودة وكفاءة وسلوكية الشبكات العصبية الاصطناعية في مختلف نماذج السلاسل الزمنية واقتراح منهجية اخرى "جديدة" في تحديد مدخلات الشبكة العصبية. فضلاً عن اعتماد اسلوب الشبكات العصبية الاصطناعية كبديل عن الطرائق التقليدية المعتمدة في معالجة نماذج السلاسل الزمنية
أ.د. مروان عبد الحميد عاشور | proof. Marwan Abdul hameed Ashour | 13512