فصل چهارم تجزیه و تحلیل داده

 

مدل اتورگرسیو مرتبۀ P یا AR(P)
این مدل به صورت زیر تعریف می شود:
(۳-۸)
که فرایند تصادفی محض با میانگین صفر و واریانس است.
فرایند اتورگرسیو تقریباً مانند مدل رگرسیون چندگانه است، با این تفاوت که روی متغیّر های مستقل رگرسیون نشده است بلکه روی مقادیر گذشتۀ خودش رگرسیون شده است به همین جهت این فرایند را اتورگرسیو می نامند. به‌طور کلی در فرایند های AR(P) فرض بر این است که مقدار حال یک سری زمانی به مقادیر بلافاصله گذشتۀ آن همراه با یک خطای تصادفی ، بستگی دارد.
روش گردآوری اطلاعات
بطور کلی برای جمع آوری اطلاعات در این پایان نامه از اسناد کتابخانه ای استفاده شده است. و از طریق داده های پایگاه اطلاع رسانی مرکز پخش و پالایش فرآورده های نفتی ایران استخراج شده است.
تعریف بهینه سازی
بهینه سازی بدین مفهوم است که در بین پارامتر های یک تابع بدنبال مقادیری باشیم که تابع را کمینه یا بیشینه کند. کلیۀ مقادیر مناسب جهت این امر را، راه حل های ممکن و بهترین مقدار از بین مقادیر را راه حل بهینه می نامند. الگوریتم های بهینه سازی هر دو نوع مسائل بیشینه سازی و کمینه سازی را پوشش می دهند. به این علّت که هر مسألۀ بیشینه سازی قادر به تبدیل به مسائل کمینه سازی می باشد.
انواع روش های بهینه سازی
می توان روش های بهینه سازی را در دو حوزۀ بهینه سازی کلاسیک ، یعنی روش های مبتنی بر مشتق ریاضیاتی و بهینه سازه های ابتکاری یا تکاملی طبقه بندی کرد.
کلاسیک ها
روش های کلاسیک مبتنی بر مشتق ریاضی است. یکی از نقایص این روش ها این است که در مسائل پیچیده و چندبعدی و یا مسائلی که ویژگی های گسستگی ، مشتق ناپذیری نویز و اغتشاش اطلاعات ، فضای حالت ناپیوسته و معادله های غیرخطّی پیچیده ای دارند، فقط تا حدّ یافتن بهینه های محلی پیش می روند و از یافتن بهینۀ جامع و کلّی مسأله ناتوان هستند. در این روش برای برون رفت از جواب های محلّی اقدامی انجام نداده که همین عامل منجر به این می شود که با جواب های محلّی مسأله را تمام شده بدانند و همین جواب محلّی به عنوان جواب بهینه اعلام شود.
روش های ابتکاری
روش های ابتکاری (فرا ابتکاری یا تکاملی) نیز نامیده می شوند. برای حل مشکلات بیان شده که غالباً مسائل بهینه سازی با آنها روبروست تدوین شده است. اگرچه نمی توان هیچ تضمینی قائل شد، اما آزمون این روش ها در مسائل مختلف فنی و مهندسی، اقتصاد، مالی و غیره نشان داده است که در صورت اجرای درست و انتخاب مناسب پارامتر‌های مربوطه از این روش می توان به پاسخ های مناسب تری نسبت به همتاهای کلاسیک شان دست یافت. عملکرد بهتر این روش ها به ماهیّت طراحی آنها باز می گردد، به عیارت دیگر ، اصولاً این روش ها بوجود آمده اند تا کم و کاستی های روش های کلاسیک را جبران و بهبود دهند.
فصل چهارم تجزیه و تحلیل داده‌ها
مقدمه
تجزیه و تحلیل داده ها برای پاسخ به سوالات تحقیق از اهمیت خاصی برخوردار است. این بخش اصلیترین و مهمترین بخش تحقیق بهشمار میرود. در این فصل ابتدا نتایج به دست آمده با بهره گرفتن از روش فراابتکاری علفهای هرز، توده ذرّات و الگوریتم شبکه های هوش مصنوعی بیان میشود. سپس نتایج هریک ارائه میگرددو با یکدیگر مقایسه می شوند در نهایت نیز کارایی این سه روش در انجام پیشبینی مورد بحث قرار میگیرد. برای مقایسه کارایی از انواع خطاهای رایج در پیشبینی استفاده میشود. بنابراین توضیحی مختصر نیز از انواع خطاهای پیشبینی ارائه میگردد.