| عنوان فارسی مقاله: | پیش بینی شاخص حمل بار نفتکشها BDTI با بکارگیری شبکه های عصبی موجک WNN – Wavelet |
| عنوان انگلیسی مقاله: | Forecasting Baltic Dirty Tanker Index by Applying Wavelet Neural Networks |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2012 |
| تعداد صفحات مقاله انگلیسی | 20 صفحه |
| تعداد صفحات ترجمه مقاله | 42 صفحه |
| مجله | فن آوری های حمل و نقل |
| دانشگاه | سنتیاگو |
| کلمات کلیدی | BDTI،نرخ حمل بار،پیش بینی،شبکه های عصبی Wavelet WNN ، مالیه حمل بار |
| نشریه | scrip |
فهرست مطالب:
چکیده
۱ مقدمه
۲ مرور ادبیات
۳ مدلسازی
۳ ۱ تعیین کننده های BDTI
۳ ۲ متد
۳ ۳ مدل WNN
۳ ۴ مدل ARIMA برای مقایسه پیش بینی
۴ مدلسازی نتایج
۴ ۱ داده ها
۴ ۲ پیش بینی BDTI با استفاده از ARIMA
۴ ۳ پیش بینی BDTI با استفاده از WNN
۴ ۴ پیش بینی نتایج WNN در وضعیت چالش بر انگیز
۵ نتیجه گیری
بخشی از ترجمه:
۱ مقدمه
تحقیق در زمینه حمل با تانکری اساسا روی نرخ حمل بار، اجاه بهای کشتی ها ،ارایش ناوگان، استراتژی های حمل بار و عملیات بهینه سازی و غیره تمرکز دارد[۱-۶]. پیچیدگی تکنیک های پیش بینی در ارتباط با نرخ حمل بار یکی از موضوعات ویژه مورد بحث در این مقاله می باشد. مشخصه و ویژپی های ذاتی نرخ حمل بار نوسان ها می باشند که بعنوان بعنوان منبع رسک های بازاری برای همه فعالان بازار به حساب می ایند که نه تنها شامل شرکت های حمل بار می باشد بلکه سرمایه های تامینی، کالا ها و حتی تولیدکنندگان انرژی را نیز شامل می گردد.[۷] اساسا پیش بینی برای بدست اوردن و تحلیل کردن اطلاعات صحیح می باشد[cf.8] . تصمیم گیرندگان صنعت حمل و نقل اغلب اطلاعات را روی نرخ های حمل بار گذشته مورد استفاده قرار می دهند تا تصمیم های استراتژیکی اتخاذ کنند.[cf8] بنابراین تکنیک های پیش بینی مناسب می تواند فعالان بحش صنعت حمل ونقل بار را قادر به اتخاذ تصمیم های بهتر کند.بدلیل تغییر پذیری بالای بازار حمل بار تانکری پیش بینی دقیق نرخ های حمل بار تانکری چالش بر انگیز است.
اخیرا نرخ حمل بار تانکری نفت خام قراردادهای پس کرایه(FFA) به کانالهایی از قبیل مقیاس جهانی(World Scale)[9] و BDTI[10]ارجاع داده می شود.بذلیل این تاریخچه کوتاه BDTI تحقیفات مرتبط با پیش بینی شاخص های حمل تانکری نفت خام و نرخ ها در دهه اخیر ظهور کرده است.این مفاله نظریه و تفکرات جدیدی در رابطه با کاربرد تکنیک های هوش مصنوعی هیبرید ، شبکه های عصبی Wavelet ، فراتر از مدلسازی سنتی و متدهای پیش بینی در بخش حمل بار پیشنهاد می کند.
5.نتیجه گیری
بنطر می رسد که تفائت قابل توجهی در کارایی مدلهای ARIMA و WNN برای پیش بینی کوتاه مدت BDTI وجود ندارد. اما برای دوره های زمانی طولانی تر مدل WNN برتریهایی را نسبت یه مدل ARIMA نشان می دهد و پیش بینی های غیر خطی منتطی برای جابجائی های BDTI ارائه می کند.دفت پیش بینی WNN وقتی که دوره زمانی پیشبینی افزایش می یابد کاهش می یابد(جداولA3-A5).اگرجه مل WNN همه وظایف پیش بینی را کاملا یراورده نکرد اما قادر به پیش بینی و ثبت اطلاعات مفید در رابطه با روند ها و جابجایی های شاخص BDTI بود.
این مقاله متدهای هوش مصنوعی را که می توانند ابزار قدرتمندی برای حل مسائل مهندسی و علوم طبیعی تشکیل دهند را تشریح می کند و پتانسیل کاربردی خوبی در تحقیقات باربری دارد.مدلهای تصادفی سنتی و اقتصاد سنجی بطور قابل توجهی در یادگیری ماشین و متدهای هوش مصنوعی متفاوت می باشند. عموما در مقایسه با متدهای سنتی تصادفی و اقتصاد سنجی متدهای یادگیری ماشین به ماهیت مکانیسم های داده ها با دیدگاه ناشناخته و پیچیده بودن نگاه می کنند و به مدله اجازه می دهند که از مکانیسم های انه یاد بگیرند و خودشان را تطبیق دهند.WNN ها یک نوع از شبکه های هیبرید می باشند.WNN ها مشخصه های محلی سازی تکرارها و ماهیت یادگیری تطبیقی شبکه های عصبی را ترکیب کرده و یک ابزار بالقوه برای پیش بینی شرایط پیچیده می سازد. با ازمایش کردن کارایی پیش بینی BDTI مولفان شناسایی کردند که مدل پیش بینی سنتی ARIMR در پیش بینی های شاخص باربری غیرخطی و همراه با نوسانات شدید و بویژه برای دوره زمانی طولانی ضعیف می باشد.برخلاف ان مدل WNN الگوریتم های هوش مصنوعی را اتخاذ کرده و شبکه های عصبی و Waveret را با ورودی های کافی و مناسب ترکیب می کند.WNN می تواند یک متد خیلی موثر در پیش بینی شاخص باربری ناایستای غیرخطی از قبیل BDTI باشد.
چون WNN می تواند برای پیش بینی BDTI بکار رود این متد احتمالا می تواند برای دیگر تحلیل های بخش باربری مورد استفاده قرار گیرد.WNN یک پیش بینی خوبی از روندهای اینده BDTI ارائه می کند که مد تواند بعنوان یک ابزار مناسب در هوش بازار، معامله های تجاری، تصمیم گیری و بوجه بندی مالی استفاده شود.شرکت های نیاز به تصمیم گیری منطقی و دانش بازاری برای بهینه کردن ناوگان خود در جهت متعادل کردن عرضه و تقاضا در کل بازار تانکری دارندکه نسبتا در بازارهای نوسان کننده مهم و دشوار می باشد.
یکی از نواقص مدل WNN این است که وزنهای اولیه برای وزن های شبکه عصبی بصورت تصادفی توسط نرم افزار محاسباتی تعریف می شوند.اگر وزن های اولیه مقادی مناسب نباشند ممکن است با تکرارهای زیاد زمان بیشتری نسبت به حالت عادی صرف شود و بنابراین مدل ممک است دارای مشکلاتی در همگرایی باشد. واین می تواند منجر به پیش بینی ضعیف و کارایی پیش بینی ناپایدار گردد.اما می توان بوسیله استفاده از متدهای بهینه سازی الگوریتم ژنتیک بر این نواقص فائق امد.
بعلاوه تعداد گره های پنهان و رمان های یادگیری و تاخیر های زمانی با توجه با تجربه محقق تخصیص داده شود.انتخاب تعداد مناسب گره های پنهان یک وظیفه خیلی دشوار در طراحی شبکه WNN می باشد.
بخشی از مقاله انگلیسی:
1. Introduction
Research on tanker shipping generally focus on freight rates, fleet arrangements, ship chartering decisions, ship- ping strategies, operation optimization, etc. [1-6], the freight rate complexity in connection to forecasting tech- niques is of particular interest in this paper. An inherent feature of shipping freight rates are fluctuations as a source of market risks for all market participants, in- cluding not only tanker shipping companies, but also hedge funds, commodity and even energy producers [7]. In essence, forecasting is about attaining and analyzing the right information of the present [cf.8]. Decision mak- ers in the shipping industry often utilize information on historical freight rates to make strategic decisions [cf.8], thus appropriate forecasting techniques may enable the actors in shipping business to make better decisions.Due to the high volatility in the tanker shipping market accurate prediction of future tanker freight rates is chal- lenging. Currently, the crude oil tanker freight rate freight forward agreements (FFA) are mainly referred to the routes included in the Worldscale [9] and Baltic Dirty Tanker Index [10]. Due to the short history of the BDTI research concerning forecasting of crude oil tanker indexes and rates has only emerged in the last decade. This paper offers new thoughts on the application of hybrid artificial intelligent techniques—Wavelet Neural Net- works, beyond traditional modeling and forecasting me- thods in the shipping sector.2. Literature ReviewPrevailing research determining and forecasting shipping freight rates is based on stochastic and econometric ex- planation modeling techniques. Stochastic modeling is related to probability theory in the modeling of phenom- ena in technology and natural sciences. There are nu- merous examples in bulk and tanker shipping research using stochastic modeling methods. Cullinane [11] firstly developed a short-term adaptive forecasting model for The Baltic International Freight Futures Exchange speculation, through a Box-Jenkins approach, which re- volves around what is referred to as ARIMA (p, d, q) modeling. Cullinane measured the predictive power of his model and compared it with alternative forecasting models at that time.
| عنوان فارسی مقاله: | پیش بینی شاخص حمل بار نفتکشها BDTI با بکارگیری شبکه های عصبی موجک WNN – Wavelet |
| عنوان انگلیسی مقاله: | Forecasting Baltic Dirty Tanker Index by Applying Wavelet Neural Networks |