به‏ کارگیری مدل‌ داده‌کاوی هیبریدی (الگوریتم ژنتیک-موجک- شبکة عصبی عمیق- شبیه‌سازی مونت‌کارلو) برای پیش‌بینی قیمت محصولات کشاورزی: مطالعة موردی قیمت آتی زعفران در بورس کالای کشاورزی

پیش ­بینی قیمت و روند تغییرات آن از مهم­ترین عوامل در تصمیم­ گیری و تدوین راهبرد‌های مربوط به محصولات کشاورزی است. هدف مطالعة حاضر ارائه یک مدل یا الگوی داده‌کاوی هیبریدی شامل مجموعه مدل‌های غیرخطی الگوریتم ژنتیک، تبدیل موجک، شبکه عصبی عمیق و روش مونت‌کارلو برای پیش‌بینی دقیق قیمت محصولات کشاورزی بود. این الگوی پیشنهادی از نوع هیبریدی دومرحله‌ای و مدل پایه هیبریدی غیرخطی- غیرخطی بود و در آن، از الگوریتم ژنتیک برای تعیین وقفه بهینه سری زمانی قیمت، از تابع موجک برای نوفه‌زدایی داده‌های قیمت، از شبکه عصبی عمیق برای پیش‌بینی قیمت، از روش مونت‌کارلو برای شبیه‌سازی محتمل‌ترین احتمال قیمت و در نهایت، از محاسبات پیچیده نرم برای انجام «پیش‌بینی خارج از نمونه با مجموعه داده‌های جدید» برای دوره زمانی دوم تا دهم اردیبهشت 1399 استفاده شد.

نتایج مقایسه الگوی پیشنهادی «الگوریتم ژنتیک- تبدیل موجک- شبکه عصبی عمیق- مونت‌کارلو» با سه الگوی رقیب «الگوریتم ژنتیک-شبکه عصبی عمیق- مونت‌کارلو»، «الگوریتم ژنتیک- تبدیل موجک- شبکه عصبی ساده- مونت‌کارلو» و «الگوریتم ژنتیک- شبکه عصبی ساده- مونت کارلو»، با استفاده از معیارهای ارزیابی، نشان داد که الگوی پیشنهادی نسبت به سه الگوی رقیب دارای عملکرد بهتری در پیش‌بینی قیمت زعفران آتی است؛ همچنین، استفاده از شبکه عصبی عمیق در مقایسه با شبکه عصبی ساده و نیز به‏ کارگیری نظریة موجک برای نوفه‌زدایی و استفاده از روش مونت‏کارلو برای شبیه‌سازی قیمت‌های پیش‌بینی‏ شده دقت پیش‌بینی قیمت آتی زعفران را افزایش می‌دهد.

علاوه بر این، استفاده از محاسبات نرم برای انجام «پیش‌بینی خارج از نمونه با مجموعه داده‌های جدید» نشان داد که الگوی پیشنهادی از کارآیی لازم و دقت بالا برای پیش‌بینی کوتاه‌مدت قیمت آتی زعفران برخوردار بوده، به‏ گونه ‏ای که میزان خطای محاسباتی کمتر از یک درصد (6/0 درصد) است. بنابراین، مطالعه حاضر در دستیابی به شاخص میزان دقت حداکثری، سناریوسازی روند قیمت‌های آتی، تحلیل حساسیت مؤلفه‌های مؤثر بر قیمت و سرانجام، پیش‌بینی قیمت آینده از جایگاهی بسیار مناسب برخوردار است. با توجه به نتایج به ‏دست‏ آمده، استفاده از الگوی پیشنهادی برای پیش‌بینی قیمت محصولات کشاورزی توصیه می‌شود.

The price forecasting and its changes trend is one of the most important factors in decision making and formulating strategies related to agricultural products. This study aimed at presenting a hybrid data mining model for accurate price forecasting of agricultural products, including nonlinear models of wavelet transform, genetic algorithm, deep neural network and Monte Carlo technique. This proposed model involved a two-stage hybrid model and the base model of nonlinear-nonlinear. In this proposed model, the genetic algorithm for determining the optimal lag of price time series, the wavelet function for the de-noising of price data, the deep neural network for price forecasting, the Monte Carlo method for simulating the most probable price probability and finally, the complex soft calculations for “out-of-sample forecasting with new data set” were used.

Results of comparison of the proposed model including “Genetic Algorithm-Wavelet Transform-Deep Neural Network-Monte Carlo”, through evaluation criteria, with three competing models of “Genetic Algorithm-Deep Neural Network-Monte Carlo”, “Genetic Algorithm-Wavelet Transform-Neural Network-Monte Carlo” and “Genetic Algorithm-Neural Network-Monte Carlo” showed that the proposed model had the better performance in forecasting of future price of saffron compared to the three competing models.

Also, the use of deep neural network compared to neural network, the application of wavelet theory for de-noising and also the use of Monte Carlo technique to simulate the predicted prices, increase the forecasting accuracy of future price of saffron. In addition, the use of soft calculations showed that the proposed model had the necessary efficiency and high accuracy for short-term forecasting of the future price of saffron. Therefore, the present study has a good position in achieving the index of maximum accuracy, scenario making of future price trends, sensitivity analysis of components affecting the price and finally, forecasting the future price. Accordingly, the use of the proposed model to forecast the price of agricultural products is recommended.