|
|
|
|
به کارگیری ابزارهای هوش محاسباتی به‌منظور پیش‌بینی مصرف فولاد خام کشور
|
|
|
|
|
|
|
|
نویسنده
|
تربت شیدا ,خاشعی مهدی ,بیجاری مهدی
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1398 - دوره : 35-1 - شماره : 1/1 - صفحه:157 -166
|
|
چکیده
|
تصمیم‌گیری یکی از ارکان اساسی مدیریت و عامل مهمی در شکوفایی سازمان‌هاست. این اهمیت تا جایی است که مدیران به دنبال به کارگیری ابزارهای کارآمد به‌منظور بهبود کیفیت تصمیمات خود هستند. صنعت فولاد نیز، یکی از صنایع زیربنایی کشور، از این قاعده مستثنی نیست و شایسته‌ی توجهی عمیق است. در این مقاله سعی شده است تا با به کارگیری روش‌های علمی، مدلی به منظور مدیریت مصرف فولاد خام کشور ارائه شود. پیشینه‌ی موضوع نشان می‌دهد که به دلیل سطح بالای پیچیدگی و ابهام موجود در بازارهای مالی حصول نتایج دقیق در پیش‌بینی مصرف به‌ویژه در افق‌های بلندمدت دشوار است. از این‌رو در این مقاله به‌منظور مدل‌سازی هم‌زمان پیچیدگی‌ها و عدم‌قطعیت‌های موجود در داده‌ها، ترکیبی از مدل‌های هوشمند و محاسبات نرم به کار گرفته شده است. نتایج حاصل از این بررسی‌ها بیان‌گر کارایی مدل‌های هوشمند نرم نسبت به مدل‌های کلاسیک نرم و نیز برتری مدل‌های هوشمند سخت در مقابل مدل‌های کلاسیک سخت هستند.
|
|
کلیدواژه
|
پیش‌بینی سری‌های زمانی، مصرف فولاد خام، انتخاب متغیر، ابزارهای هوش محاسباتی، محاسبات نرم
|
|
آدرس
|
دانشگاه صنعتی اصفهان, دانشکده مهندسی صنایع, ایران, دانشگاه صنعتی اصفهان, دانشکده مهندسی صنایع, ایران, دانشگاه صنعتی اصفهان, دانشکده مهندسی صنایع, ایران
|
|
پست الکترونیکی
|
bijari@cc.iut.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
APPLICATION OF COMPUTATIONAL INTELLIGENCE TOOLS IN IRAN'S STEEL CONSUMPTION PREDICTION
|
|
|
|
|
Authors
|
|
|
Abstract
|
Decisionmaking as one of the principles of management is considered an important factor in prosperity of the organizations. This is so important that managers use efficient tools to improve the quality of their decisions. Steel industry is one of the major industries in this country; consequently, it deserves special attention. In this paper, the main aim is to use scientific methods to manage crude steel consumption in the country. However, the literature shows that it is relatively difficult to yield accurate results in the prediction of consumption, especially in longterm horizon. Researchers believe that high level of complexity and uncertainty in financial markets is main reason of this matter. Therefore, in this paper, a hybrid of intelligent and soft computing models have been used as an effective way in order to model the complexities and uncertainties simultaneously in the data. In this way, the list of variables is recognized based on the literature and expert opinions. Then the linear and nonlinear relationships and also correlations between variables are evaluated and final explanatory variables specified. Finally, four models including hard classic, soft classic, hard intelligent and soft intelligent are designed to predict steel consumption in both short and long term horizons and their results are compared with each other. Empirical results indicate that using the hard intelligent model makes improvement 22.68% and 41.41% in comparison with hard classic model in short and long term horizons respectively in Root Mean Squared Error (RMSE). In addition, the soft intelligent model makes improvement 43.01% and 92.72% in comparison with soft classic model and hard classic model respectively in short term horizon and 34.68% and 91.53% in long term horizon. Results of the study indicate superiority of the soft intelligent models over hard intelligent models and superiority of hard intelligent models over hard classic models. Results of the study indicate superiority of the soft intelligent models and hard intelligent models over hard intelligent models and hard classic models respectively.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|