دانلود ترجمه مقاله پیش بینی شاخص بالتیک (BDT) با شبکه های عصبی موجک - مجله Scirp

دانلود ترجمه مقاله پیش بینی شاخص بالتیک (BDT) با شبکه های عصبی موجک - مجله Scirp
قیمت خرید این محصول
۲۰,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
پیش بینی شاخص بالتیک (Baltic Dirty Tanke) با استفاده از شبکه های عصبی موجک
عنوان انگلیسی
Forecasting Baltic Dirty Tanker Index by Applying Wavelet Neural Networks
صفحات مقاله فارسی
44
صفحات مقاله انگلیسی
20
سال انتشار
2012
نشریه
Scirp
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
3203
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
علوم اقتصادی، حسابداری و مدیریت
گرایش های مرتبط با این مقاله
مدیریت کسب و کار، مدیریت بازرگانی، بازرگانی بین الملل، مدیریت مالی، اقتصاد مالی و حسابداری مالی
مجله
فن آوری های حمل و نقل
دانشگاه
گروه پژوهشی تدارکات و حمل و نقل، گروه مدیریت بازرگانی، دانشکده کسب و کار، دانشگاه گوتنبرگ، سوئد
کلمات کلیدی
BDTI،نرخ حمل بار،پیش بینی،شبکه های عصبی Wavelet WNN ، مالیه حمل بار
۰.۰ (بدون امتیاز)
امتیاز دهید
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

نحوه خرید نسخه پاورپوینت این مقاله
نمونه چکیده متن اصلی انگلیسی
ABSTRACT

Baltic Exchange Dirty Tanker Index (BDTI) is an important assessment index in world dirty tanker shipping industry. Actors in the industry sector can gain numerous benefits from accurate forecasting of the BDTI. However, limitations exist in traditional stochastic and econometric explanation modeling techniques used in freight rate forecasting. At the same time research in shipping index forecasting e.g. BDTI applying artificial intelligent techniques is scarce. This analyses the possibilities to forecast the BDTI by applying Wavelet Neural Networks (WNN). Firstly, the characteristics of traditional and artificial intelligent forecasting techniques are discussed and rationales for choosing WNN are ex-plained. Secondly, the components and features of BDTI will be explicated. After that, the authors delve the determi-nants and influencing factors behind fluctuations of the BDTI in order to set inputs for WNN forecasting model. The paper examines non-linearity and non-stationary features of the BDTI and elaborates WNN model building procedures. Finally, the comparison of forecasting performance between WNN and ARIMA time series models show that WNN has better forecasting accuracy than traditionally used modeling techniques.

نمونه چکیده ترجمه متن فارسی
چکیده
شاخص BDTIیک شاخص ارزیابی مهمی دردنیای صنعت ارسال کالای تانکری به شمار می رود.فعالا ن بخش صنعت می توانند منافع بیشماری را کاسب شوند اگر پیش بینی دقیقی از BDTI داشته باشند.اما محدودیت هایی در مدلسازی های سنتی تصادفی و اقتصادسنجی که برای پیش بینی نرخ حمل و نقل استفاده می شود وجود دارد و تحقیق در زمینه پیش بینی شاخص ارسال کالا بخصوص BDTI با بکارگیری تکنیک های هوشمند مصنوعی نادر می باشد.این مقاله پیش بینی احتمالی BDTI را با بکارگیری شبکه های عصبی (Wavelet (WNN مورد تحلیل و بررسی قرار می دهد.اولا ویژگی و مشخصه های تکنیک های پیش بینی هوشمند مصنوعی وسنتی مورد بحث وبررسی قرار می گیرد ئ دلایل انتخاب WNNشرح داده می شود.دوما عناصر و ویژگی های BDTIمورد تفسیر و تشریح قرار خواهد گرفت و بعد مولفان به دنبال جستجوی فاکتورهای تعیین کننده و تاثیرگذار پشت نوسانهای BDTI بمنظور تنظیم ورودی های مدل پیش بینی WNNمی باشند.
این مقاله مشخصه های نا ایستایی و غیر خطی بودن BDTI را مورد بررسی قرار می دهد و پروسه درست کردن مدل WNN را شرح می دهد.در نهایت مقایسه کارایی پیش بینی بین WNN وسری های زمانی ARIMA نشان می دهد که مدل WNN دارای دقت پیش بینی بهتری نسبت به تکنیک های مدلسازی سنتی می باشد.

بدون دیدگاه