3 نتیجه برای پیشبینی
پرویز قدوسی، امیر مهدی علی دولت آبادی، جعفر سبحانی،
جلد 25، شماره 3 - ( 9-1393 )
چکیده
بسیاری از فعالیتهای ساخت و ساز به دلیل ماهیت تکراری و داشتن سهم بالای نیروی انسانی، پدیدهای را نشان میدهند که اثر یادگیری نام دارد که بهموجب آن، زمان، هزینه و به طور کلی تلاش لازم برای انجام یک فعالیت، با افزایش تعداد تکرارها، کاهش مییابد. منحنی یادگیری مدل ریاضی میباشد که این اثر را نشان میدهد. مهمترین ارزش منحنیهای یادگیری، قابلیت آنها در پیشبینی عملکرد فعالیتها است. این پیشبینی توسط مدلهای مختلف منحنی یادگیری انجام میشود. اینکه دقت و اعتبار پیشبینی توسط منحنیهای یادگیری تا چه اندازه است و کدام مدل بهتر میتواند این پیشبینی را انجام دهد، از اهداف این مقاله میباشند. در این راستا، یک مدل جدید برای منحنی یادگیری پیشنهاد شده و با مدل خطی مقایسه گردیده است. همچنین تواناییهای پیشبینی دو روش استفاده از دادهها یعنی روش داده واحد و داده میانگین تجمعی مقایسه شدند. نتایج نشان داد که مدل پیشنهادی میتواند به عنوان یک مدل پیشبینی کننده مناسب، با مدل خطی رقابت کند و نتایج قابل قبولتری داشته باشد. مقادیر خطای پیشبینی توسط این دو مدل، در محدوده 15% تا 35% ارزیابی شد و همچنین مشخص شد زمانیکه از دادههای واحد برای پیشبینی استفاده شود، خطای پیشبینی کمتر از دادههای میانگین تجمعی میباشد..
سمیرا رضائی نوائی، حمیدرضا کوشا،
جلد 27، شماره 4 - ( 12-1395 )
چکیده
رقابتی شدن صنعت بیمه در سالهای اخیر و ورود بخش خصوصی به این عرصه، توجه به پیشبینی رویگردانی مشتری را با اهمیت ساخته است. در این پژوهش، تعدادی از تکنیکهای شناخته شده دستهبندی دادهکاوی برای پیشبینی رویگردانی مشتری در صنعت بیمه به کار گرفته شده است. برای نخستین بار پیشبینی رویگردانی مشتری در یک سازمان بیمهای با استفاده از تکنیک ماشین بردار پشتیبان (SVM) انجام میشود. در این مقاله نخست از الگوریتم ژنتیک برای فرایند انتخاب مشخصههای تأثیرگذار استفاده شده است. پس از مدلسازی مسأله، پارامترهای مدل ماشین بردار پشتیبان با استفاده از دو روش جستجوی شبکه و اعتبارسنجی متقابل K لایه، بهینه میشوند. عملکرد پیشبینی روش SVM با روشهای درخت تصمیم، شبکههای عصبی، رگرسیون لجستیک، جنگل تصادفی، دستهبندیکننده بیزی، K نزدیکترین همسایگی، مقایسه و بهینهسازی پارامترهای هر روش با استفاده از جستجوی شبکه انجام شده است. یافتههای تحقیق نشان میدهد که روش ماشین بردار پشتیبان از عملکرد بالاتری نسبت به سایر روشها برخوردار است. در مدل پیشنهادی مبتنی بر این روش، مشخصههای سابقه خرید، نحوه آشنایی با سازمان و تمایل به خرید، به عنوان مشخصههای اصلی پیشبینیکننده رویگردانی مشتری شناسایی شدند. در این پژوهش با توجه به مشخصههای اصلی پیشبینیکننده رویگردانی، راهکارهایی برای جلوگیری از رویگردانی مشتری ارائه شده است.
مهندس امیر حیدری، دکتر سیدحمیدرضا شهابی حقیقی، دکتر عباس احمدی،
جلد 28، شماره 1 - ( 3-1396 )
چکیده
در دست بودن یک پیشبینی دقیق از عمر مفید باقیمانده تجهیزات برای یک برنامه اثربخش تعمیرات و نگهداری ضروری است. پیشبینی عمر مفید به کمک دادههای حاصل از فرآیند پایش وضعیت به صورت گستردهای استفاده شده است. در حالی که دادههای حاصل از فرآیند پایش وضعیت به تنهایی برآوردهساز تمامی نیازهای پیشبینی در شرایط مختلف کارکردی نیست. در پیشبینی عمر مفید، دانش متخصص به عنوان یک منبع دانشی و تکمیل کننده اطلاعات حاصل از فرآیند پایش وضعیت اغلب مورد بیتوجهی قرار میگیرد. در این مقاله روشی برای پیشبینی عمر مفید باقیمانده تجهیزات به کمک سیستم استدلال نوروفازی معرفی میگردد. پایگاه دانشی سیستم استدلال نوروفازی در دو مرحله تکامل مییابد. در مرحله اول سه قاعده اساسی به کمک دادههای تاریخی پایش وضعیت و با استفاده از شبکه نوروفازی تنظیم میشوند. در مرحله دوم قواعد اساسی تحت نظارت متخصص گسترش مییابند. عملکرد روش پیشنهادی در مقایسه با روش منحصر به استفاده از دادههای پایش وضعیت در شرایط کارکردی مختلف تجهیز ارزیابی شده است. یک الگوریتم شبیهسازی به منظور تولید شرایط مختلف کارکردی معرفی میشود. پارامترهای الگوریتم شبیهسازی به کمک دادههای واقعی مربوط به شکست یاتاقان تخمین زده میشوند. نتایج تجربی نشان میدهند که کارآیی روش پیشنهادی نسبت به روش قدیمی بهتر است.