عنوان	پیش‌بینی مقدار سری‌های زمانی مدل شده با گراف پدیداری با کمک معیارهای مرکزیت و پیش‌بینی پیوند
نوع پژوهش	پایان نامه
کلیدواژه‌ها	پیش‌بینی سری‌های زمانی، گراف پدیداری، پیش‌بینی پیوند، معیارهای مرکزیت، شبکه‌های پیچیده، تحلیل داده‌ها
چکیده	پیش‌بینی سری‌های زمانی یکی از موضوعات مهم و چالش‌برانگیز در تحلیل داده‌ها است که در بسیاری از حوزه‌ها مانند مالی، مهندسی، اقلیم‌شناسی و زیستی کاربرد دارد. روش‌های سنتی پیش‌بینی نظیر ARIMA و شبکه‌های عصبی، اگرچه در برخی موارد موفق عمل کرده‌اند، اما با افزایش پیچیدگی و حجم داده‌ها، در شناسایی و مدل‌سازی روابط پیچیده و غیرخطی ناکافی به نظر می‌رسند. این تحقیق با هدف ارائه یک روش نوین و کارآمد برای پیش‌بینی سری‌های زمانی، از گراف پدیداری و تکنیک‌های معیارهای مرکزیت و پیش‌بینی پیوند بهره برده است. در این روش، ابتدا داده‌های سری زمانی به گراف پدیداری تبدیل می‌شوند که در آن هر نقطه زمانی به‌عنوان یک گره و هر رابطه پدیداری بین نقاط به‌عنوان یک یال در نظر گرفته می‌شود. سپس، جهت تعیین نقطه زمانی آتی، از معیارهای مرکزیت درجه، بینابینی، نزدیکی و بردار ویژه به منظور یافتن مهم‌ترین نقاط زمانی و از روش‌های پیش‌بینی پیوند همسایه مشترک، جاکارد، ادامیک-ادار و پیوست ترجیحی به منظور یافتن شبیه‌ترین نقاط زمانی به نقطه آخر استفاده می‌گردد. در انتها، برای افزایش دقت پیش‌بینی نقطه زمانی آتی، از ترکیب این معیارها و انتخاب بهترین ترکیب با سنجش ترکیب‌های مختلف از طریق رتبه‌بندی استفاده می‌شود. نتایج به‌دست‌آمده از پیاده‌سازی این روش بر روی پنج مجموعه داده واقعی CCI، AirPassengers، Lynx، IBOV و nhtemp نشان‌دهنده بهبود قابل‌توجه در دقت پیش‌بینی مقادیر سری‌های زمانی در مقایسه با روش‌های سنتی است. دقت پیش‌بینی مدل پیشنهادی با سایر روش‌های رایج از جمله ARIMA،Naive ، LSTM، SVM، MLP، HAAA، HAEA، MXA و MVA مقایسه شده است که مدل پیشنهادی با انتخاب بهترین ترکیب از اثرگذارترین نقاط زمانی و شبیه‌ترین نقاط زمانی به گره آخر، توانسته است با دقت بالاتری روندهای پیچیده و نوسانات غیرخطی در داده‌های سری زمانی را پیش‌بینی کند. این نتایج نشان‌دهنده پتانسیل بالای استفاده از گراف پدیداری و تکنیک‌های پیش‌بینی پیوند و معیارهای مرکزیت در تحلیل و پیش‌بینی سری‌های زمانی است. در نهایت، تحقیق به این نتیجه می‌رسد که ترکیب گراف پدیداری با روش‌های پیش‌بینی پیوند و معیارهای مرکزیت می‌تواند به‌عنوان یک ابزار قدرتمند برای تحلیل داده‌های پیچیده و بهبود دقت پیش‌بینی‌ها در سری‌های زمانی به کار گرفته شود. همچنین، ترکیب روش پیشنهادی مبنی بر گراف پدیداری با روش‌های یادگیری ماشین مانند شبکه‌های عصبی پیشرفته برای تحقیقات آینده در جهت بهبود مدل و گسترش دامنه کاربرد آن پیشنهاد شده است.
پژوهشگران	فردین اخلاقیان طاب (استاد راهنما)، صادق سلیمانی (استاد راهنما)، مهدی اکبری (دانشجو)