نوقشت في كلية التربية للبنات قسم الرياضيات يوم الاثنين الموافق 2024-07-01 وعلى رحاب قاعة القادسية في عمادة الكلية رسالة ماجستير للطالبة زينة علي سلطان والموسومة:
التحلل الموسمي والاتجاه باستخدام STL-FNN الهجين مع التطبيق
تقترح هذه الدراسة خوارزمية هجينة تدعى STL-FNN، والتي تجمع بين طريقتين: التحلل الموسمي للاتجاه بناءً على Loess (STL) والشبكة العصبية للتغذية الأمامية (FNN). تقوم طريقة STL بتحليل البيانات الأصلية إلى ثلاث سلاسل فرعية: الموسمية، الاتجاه، والباقي. يلتقط المكون الموسمي الأنماط العادية في السلسلة الزمنية. بعد ذلك، يتم استخدام الشبكة العصبية FNN للتنبؤ بكل سلسلة من السلاسل الفرعية الثلاثة المتحللة بشكل منفصل. أخيرًا، يتم دمج جميع المخرجات المتوقعة كناتج إجمالي. تظهر النتائج أن النموذج الهجين STL-FNN يمكن أن يحقق دقة أعلى من نموذج FNN الفردي.
أهداف البحث
تطوير خوارزمية هجينة: تقترح هذه الدراسة خوارزمية هجينة تدعى STL-FNN، والتي تجمع بين طريقتين لتحلل الاتجاه والموسمية باستخدام Loess والشبكة العصبية للتغذية الأمامية FNN باستخدام الخوارزمية العكسية للخطأ.
تحليل البيانات: تقوم طريقة STL بتحليل البيانات الأصلية إلى ثلاث سلاسل فرعية هي: الموسمية، الاتجاه، والباقي. بعد ذلك، يتم استخدام الشبكة العصبية FNN للتنبؤ بكل سلسلة من السلاسل الفرعية بشكل منفصل.
مقارنة النماذج: يتم إجراء مقارنة بين نتائج النموذج الهجين المقترح STL-FNN ونماذج STL وFNN الفردية لمعرفة كفاءة النموذج المقترح باستخدام بيانات حقيقية تمثل المعدل الشهري للجنيهات الإسترليني التي ينفقها الزوار الأجانب في المملكة المتحدة للفترة من كانون الثاني 1986 إلى شباط 2020.
في ضوء النتائج التي تم التوصل إليها، تستنتج الباحثة الآتي:
نهج مرن جديد: تقدم الدراسة نهجًا مرنًا جديدًا لتحليل الاتجاه الموسمي باستخدام نموذج الانحدار السلس Loess والذي يمكن استخدامه لمجموعة واسعة من السلاسل الزمنية.
تحليل STL: قام نموذج التحلل STL بتحليل السلسلة الزمنية إلى ثلاث سلاسل فرعية: الموسمية، الاتجاه، والباقي. تتكفل الشبكة العصبية FNN بتحليل السلاسل الفرعية للحصول على تنبؤات دقيقة.
المكونات الموسمية: تمثيل المكونات الموسمية كهياكل ثنائية الأبعاد معقدة جديد في مجال تحليل الاتجاه الموسمي.
كفاءة التحلل الهجين: عند استخدام النموذج الهجين STL-FNN، تحسنت الاستجابة للتغيرات الموسمية والاتجاهات مع الكفاءة الحسابية للباقي.
إطار موحد: يوفر النهج الجديد إطارًا موحدًا للتعامل مع مجموعة واسعة من مشاكل تحلل الاتجاه الموسمي.
سهولة التنفيذ: النموذج الهجين المقترح STL-FNN يمتلك سرعة تنفيذ عالية وبنية بسيطة.
دقة النموذج: النموذج الهجين STL-FNN أظهر دقة أعلى في التنبؤ مقارنة بالنماذج الفردية STL وFNN.
مؤشرات الأداء: النموذج الهجين STL-FNN أثبت فعاليته من خلال مقارنة مؤشرات الأداء MAE وRMSE بين النموذج الهجين والنماذج الفردية.
تألفت لجنة المناقشة من السادة الأفاضل:
أ.د. غسان عزالدين عارف - رئيسًا
أ.م.د. فارس مهدي علوان - عضوًا
م.د. هبة هاني عبدالله - عضوًا
أ.م. نهاد شريف خلف - عضوًا ومشرفا
وقد أوصت اللجنة بمنح الدرجة المطلوبة للطالبة زينة علي سلطان.
