fa کاربرد شبکه‌های عصبی مصنوعی در پیش بینی مقادیر آتی تولید و مقایسه با روش‌های سری زمانی خطی و غیرخطی مورد مطالعه : پیش بینی میزان آتی تولید بطری‌های PET (پلی اتیلن ترفتالات) در ایران تخصصي Special پژوهشي Research <p>یکی از مسائل بسیار مهم در شروع یک فعالیت اقتصادی، پیش بینی در مطالعات بازار می‌باشد. روابط موجود در بسیاری از مسائل مدیریتی و تجاری اغلب به صورت پیچیده و غیرخطی بوده و با روش‌های معمول قابل پیش بینی نیستند، بنابراین می‌توان با فنون و روشهای دقیق تری همچون شبکه‌های عصبی به پیش بینی با دقت بالا پرداخت. هدف این مقاله نشان دادن برتری شبکه‌های عصبی در پیش بینی فرآیندهای غیرخطی در مقایسه با روش‌های معمول و نیز استفاده از پارامترهای مهم اقتصادی یعنی نرخ تورم و نرخ ارز در بالا بردن دقت پیش بینی است. در این مقاله از داده‌های مربوط به میزان تولید بطری‌های PET از سال 1379 تا سال 1392 استفاده&nbsp; شده و با بهره گیری از شبکه عصبی مصنوعی و مدل‌های غیرخطی، از طریق نرم افزار MATLAB پیش بینی تولید برای سال 1393 انجام پذیرفت و سپس با توجه به شاخص‌های MAPE&nbsp; و MSE نتایج به دست آمده از روش‌های مزبور با هم مقایسه شدند. یافته‌های تحقیق نشان دهنده موفقیت شبکه عصبی با خطای بسیار پایین در پیش بینی نسبت به روش‌های سری زمانی و نمایی است.</p> <p>In many real commercial and administrative issues, relations are often complex, non-routine and are not predictable by conventional methods. Considering the importance of feasibility studies in making decision to start a production activity, forecasting in marketing studies is very important. There are lots of tools and techniques which are used for having an exact prediction, neural networks can be utilized for forecasting with high degrees of accuracy. The purpose of this article is to demonstrate the preference of using neural networks in forecasting nonlinear processes in comparison with conventional techniques and also to increase its accuracy by using economic parameters such as inflation and exchange rates. As a case study, this paper uses the production rate data of PET bottles from 1379 to 1392, then the production rate of 1393 is predicted by using artificial neural networks and nonlinear models. For validating the model, indexes MAPE and MSE obtained from these methods are compared. The result shows the preference of using the neural network for prediction in comparison with time and exponential series techniques, due to the lowest error in forecasting</p> پیش بینی تقاضا, نرخ تورم, نرخ برابری ارز, شبکه عصبی, شاخص‌های مقایسه Demand Forecasting, Inflation Rate, Exchange Rate, ANN, 125 145 http://jhrmfs.khu.ac.ir/browse.php?a_code=A-10-29-2&slc_lang=fa&sid=1 Mohammadali Khatami Firoozabadi محمد علی خاتمی فیروزآبادی a.khatami@atu.ac.ir 10031947532846001146 10031947532846001146 Yes دانشگاه علامه طباطبایی Parisa Omrani پریسا عمرانی p.omranii@yahoo.com 10031947532846001147 10031947532846001147 No دانشگاه علامه طباطبایی Golnoosh Hassani Goodarzi گلنوش حسنی گودرزی 10031947532846001148 10031947532846001148 No دانشگاه علامه طباطبایی