پایان نامه پیش بینی داده های سری زمانی بر اساس روش های شناسایی آماری الگو و منطق فازی

Predicted time series data using statistical pattern recognition and fuzzy logic

پایان نامه فوق در ۵۴ صفحه با فرمت ورد و ۱۹ صفحه پروپوزال می باشد

مقدمه:

فلسفه ی داده کاوی این است که آینده بسیار به گذشته شبیه است. اگر گذشته را خوب بشناسید می توانید آینده را پیش بینی کنید.داده کاوی به شما کمک می کند تا رفتار کسب و کار خود را در گذشته دقیقا بشناسید و بر اساس آن آینده را با تقریب بالا پیش بینی کنید.به عنوان مثال داده کاوی به شما کمک می کند تا حداقل دو مورد اساسی را در بخش فروش کسب و کار خود پیش بینی کنید:

۱٫ پیش بینی نیاز های یک مشتری خاص در آینده و در نتیجه حفظ آن مشتری
۲٫ پیش بینی نیاز بازار در زمان ها و مناطق مختلف و در نتیجه ساماندهی نظام توزیع برای آنها
 
داده کاوی فرایندی تحلیلی است که برای کاوش معمولا حجم عظیمی از داده ها صورت می‌گیرد و یافته‌ها ‌با‌ به‌کارگیری الگوهایی‌،‌احراز اعتبار می‌شوند . یک از اهداف اصلی داده کاوی پیش بینی است. ‌فرایند داده ‌کاوی شامل سه مرحله می باشد : ۱٫ کاوش اولیه ۲٫ ساخت مدل یا شناسایی الگو ۳٫ بهره برداری.
در هر علم، به آمار جمع آوری شده مربوط به متغیری که قرار است پیش‌بینی شود و در دوره‌های زمانی گذشته موجود است، اصطلاحا سری زمانی می‌گویند. منظور از یک سری زمانی مجموعه‌ای از داده‌های آماری است که در فواصل زمانی مساوی و منظمی جمع‌آوری شده باشند. روش های آماری که این گونه داده‌های آماری را مورد استفاده قرار می‌هد روش های تحلیل سری های زمانی نامیده می‌شود.مانند فروش فصلی یک شرکت طی سه سال گذشته.
یک سری  زمانی مجموعه مشاهداتیست که براساس زمان مرتب شده باشند. مثال‌های آن از اقتصاد و حتی رشته‌های مهندسی دیده می‌شود.
هدف این پایان نامه طراحی سیستمی مبنتنی بر منطق فازی برای پیش بینی داده های سری زمانی میباشد. ورودی سیستم ما یک دنباله از داده های سری زمانی است. این دنباله به صورت زیر است:
T_{0  –}T_{1 –}T_{2 –} T_{3 –}T₄ ….T_t
که در آن T_i داده­ی موجود در زمان i ام را نشان می دهد.
 اولین مرحله در سیستم پیشنهادی پیش پردازش داده­های سری زمانی است که شامل حذف نویز و همچنین تخمین داده­هایی که وجود ندارند میباشد. تخمین داده­های ناموجود به این دلیل است که ممکن است برای زمان i ام از سری زمانی هیچ داده­ای ثبت نشده باشد.
در مرحله دوم با استفاده از منطق فازی قوانینی برای داده های موجود استخراج می شود. این قوانین وابستگی داده ها را در سری زمانی نمایش میدهد. نمونه­ای از  قوانین استخراج شده در این مرحله به این صورت است که اگر در زمان ۲ داده­ی ما X_i(X یک مجموعه است که شامل مقادیری هست که در هر زمان میتواند وجود داشته باشد) باشد آنگاه در زمان ۶ داده ی ما X_j خواهد بود .
                        if(T₂ == X_i) Then T₆ = X_j
در سمت چپ این قانون به جای یک شرط میتواند چند شرط وجود داشته باشد که با عملگرهای And یا Or با هم ترکیب شده­اند.
سپس به هر یک از قوانین استخراج شده در مرحله قبل یک ضریب اطمینان نسبت داده می شود و قوانینی که ضریب اطمینان بیشتر از حد آستانه داشته باشند به عنوان الگوهای نهایی انتخاب می شوند. در مرحله آخر با توجه به الگوها و قوانین استخراج شده در بخش قبل میتوان اطلاعاتی در مورد داده­های() زمان آینده بدست آورد.

• فصل اول: مقدمات تحقیق
• فصل دوم: مروری بر ادبیات تحقیق
• فصل سوم: راهکار پیشنهادی
• فصل چهارم: تحلیل یافته ها
• فصل پنجم: نتیجه گیری و پیشنهادات اینده