پیش‌بینی صادرات زعفران ایران با مقایسه الگوریتم‌های یادگیری ماشین

واردات و صادرات نقش مهمی در رشد اقتصادی همه کشورها دارد. بنابراین انتخاب محصولات مناسب می تواند رقابت پذیری یک کشور را در تجارت جهانی افزایش دهد. زعفران به عنوان یکی از حیاتی ترین و منحصر به فردترین محصولات غیرنفتی ایران برای صادرات برجسته است. هدف از این مطالعه پیش‌بینی صادرات زعفران با استفاده از سه الگوریتم داده‌کاوی و تعیین مناسب‌ترین الگوریتم برای پیش‌بینی بود. دوره نمونه برای مدل های پیش بینی شامل داده های صادرات زعفران از ایران برای سال های 2012 تا 2019 است که از انجمن زعفران ایران جمع آوری شده است.

در ادامه مراحل آماده سازی داده ها، صادرات زعفران با استفاده از سه الگوریتم داده کاوی شبکه عصبی مصنوعی، یادگیری عمیق و درخت تقویت گرادیان پیش بینی شد. اعتبار مدل‌ها نقش مهمی در انتخاب بهترین مدل پیش‌بینی دارد. اعتبار پیش بینی سه مدل طراحی شده با استفاده از خطای مطلق (شبکه عصبی مصنوعی = 0.036، شبکه یادگیری عمیق = 0.031، و درخت تقویت گرادیان = 0.047)، R-squared (شبکه عصبی مصنوعی = 0.045)، شبکه یادگیری عمیق = 0.07 reefficient، و گرادیان 0.044 = بوست ارزیابی شد. (شبکه عصبی مصنوعی = 0.95، شبکه یادگیری عمیق = 0.98، و درخت تقویت گرادیان = 0.97). بر اساس یافته‌ها، همه مدل‌ها دقت بالایی را با خطاهای پیش‌بینی بسیار پایین نشان می‌دهند که دقیقاً مطابقت دارند. با این حال، شبکه یادگیری عمیق یک خطای کمی کمتر، البته از نظر آماری ناچیز، نشان می دهد. این نتایج می تواند برای افزایش دقت برنامه ریزی صادرات زعفران ارزشمند باشد.

I mports and exports play an integral role in the economic growth of all countries. Therefore, selecting the right products can enhance a country’s competitiveness in global trade. Saffron stands out as one of Iran’s most vital and unique non ‐oil products for export. The objective of this study was to predict saffron exports using three data mining algorithms and determine the most suitable algorithm for forecasting. The sample period for the forecasting models encompasses saffron export data from Iran for the years 2012 to 2019, gathered from the Iran Saffron Association.

Following the data preparation steps, saffron export was forecasted using three data mining algorithms: artificial neural network, deep learning, and gradient boost tree. The validity of the models plays a crucial role in selecting the best forecasting model. The predictive validity of the three designed models was evaluated using the absolute error (artificial neural network = 0.036, deep learning network = 0.031, and gradient boost tree = 0.047), R ‐squared (artificial neural network = 0.045, deep learning network = 0.044, and gradient boost tree = 0.073), and correlation coefficients (artificial neural network = 0.95, deep learning network = 0.98, and gradient boost tree = 0.97).

Based on the findings, all models demonstrate high accuracy, with very low prediction errors that are closely matched. However, the deep learning network exhibits a slightly lower, albeit statis ‐ tically insignificant, error. These results can be valuable for en ‐ hancing the precision of saffron export planning