جستجوي پيشرفته | کتابخانه مجازی الفبا

روز به روز در کاربردهای بیشتری از قبیل مدل‌سازی ترافیک، شبکه‌های حسگر و دنبال کردن در کاربردهای نظامی، پردازش داده‌های برخط و غیره، شاهد تولید هر روزه حجم عظیمی از داده‌های جریان‌دارهستیم. کشف دانش بهینه از این جریان‌های داده، یک حوزه تحقیقاتی فعال در داده‌کاوی با کاربردهای متفاوت بوجود آورده است. برخلاف داده‌های ایستای موجود در پایگاه داده‌های سنتی، داده‌های جریان‌دار اغلب به صورت پیوسته با سرعت بالا و با حجم زیاد و همچنین با توزیع داده متغیر دریافت می‌شود. از طرفی مقادیر آنتولوژی‌ها و حاشیه‌نویسی‌هایمعنایی موجود بر روی داده‌ها نیز به طور پیوسته در حال افزایش می‌باشد. این نوع داده‌های پیچیده و ناهمگن چالش‌های جدیدی را در حوزه‌ تحقیقاتی داده‌کاوی بوجود آورده است. اصلی‌ترین چالش در این مسأله، نیاز فناوری‌های کاوش قوانین انجمنی به تراکنش‌ها می‌باشد، در حالی که در داده‌های معنایی تعریف دقیقی از تراکنش وجود ندارد. کارهای مشابهی که در این زمینه انجام گردیده‌اند، اغلب با کمک کاربر تراکنش‌ها را برای داده‌های معنایی تعریفکرده و سپس به کمک الگوریتم‌های داده‌کاوی سنتی اقدام به کاوش قوانین انجمنی از این تراکنش‌ها می‌نمایند و لازمه این کار تسلط کاربر به ساختار داده‌های معنایی و دامنه کاربرد مورد نظر می‌باشد. لذا روشی مورد نیاز است که انسجام معنایی را در تمام مراحل کار برقرار سازد و تعریفی کلی و یکپارچه برای تراکنش‌ها و سایر مفاهیم مرتبط ارائه دهد. بنابراین در اینتحقیق به ارائه روشی جهت رفع چالش‌های ذکر شده و امکان‌پذیر ساختن پردازش حجم وسیع داده‌های معنایی جریان‌دار موجود و کشف و ذخیره‌سازی قوانین انجمنی جدید در سطح معنایی بالاتر با استفاده از غنای معنایی مفاهیم موجود در آنتولوژی و بهره‌وری از دیگر فناوری‌های معنایی پرداخته شده است.

نفت به عنوان ماده اصلی تأمین انرژی جهان، همواره از اهمیت‏ ویژه‏ای برخوردار بوده‌است. از این‌رو قیمت‏های آینده نفت یکی از عوامل مهمی است که سیاست‏ها و برنامه‏ریزی‏های دولت‏ها، سازمان‏های بین‏المللی و شرکت‏ها را تحت‏تأثیر قرار می‏دهد. بنابراین پیش‏بینی قیمت نفت از طریق روش‏های اقتصاد سنجی و روش‌های شبکه‌های عصبی مبتنی بر داده‌کاوی و هستی‌شناسی می‏تواند مفید و راه‌گشا باشد.گرچه پیش‏بینی قیمت نفت در بازار بین‏المللی امری مشکل است اما محققان با مدل‏سازی توانسته‏اند به نتایج قابل توجهی دست یابند. دشواری پیش‏بینی قیمت بدون در نظر گرفتن عوامل غیر بنیادی از آنجا ناشی می‏شود که پیش‌بینی این عوامل خود وابسته به پیش‏بینی عوامل بنیادی بازار نظیر تقاضا و عرضه است که به نوبه خود به عوامل دیگری از جمله رشد اقتصادی و عوامل فنی- تکنولوژیکی وابسته‏اند.شناخت بازار نفت و توانایی ارائه پیش‌بینی صحیح از وضعیت قیمت نفت یکی از چالش‌های مهم علمی در سرتاسر جهان است. خصوصاً این مسأله در کشورهایی که اقتصاد آن‌ها وابستگی بیشتری به صنعت نفت دارد (نظیر ایران) از اهمیت ویژه‌ای برخوردار است، چرا که پیش‌بینی صحیح قیمت نفت، تأثیرات مهمی در سیاست‌گذاری‌ها و برنامه‌ریزی‌های اقتصاد کلان کشور خواهد داشت.در این تحقیق از داده‌های سالانه طی دوره‌ی 1980 تا 2009 میلادی استفاده گردیده است. به‌منظور پیش‌بینی قیمت نفت، 25 سال (1980تا 2004) را به عنوان مجموعه آموزش و 5 سال (2005 تا 2009) را به‌عنوان مجموعه آزمایش در نظر گرفته‌ شده است. در این پژوهش ابتدا مناسب‌ترین مدل خودرگرسیو میانگین متحرک مطابق با سری زمانی قیمت نفت برنت و با استفاده از معیارهای آکائیک و شوارتز-بیزین شناسایی شده که نتایج نشان‌دهنده‌ی مدل (1,1)ARMA بر روی لگاریتم قیمت نفت برنت می‌باشد. در تحقیق حاضر جهت بیان دقت مدل از معیارهای خطای میانگین مربعات خطا (RMSE) و میانگین قدر مطلق خطا (MAE) استفاده شده است. سپس به استخراج هستی‌شناسی بازار بین‌المللی نفت پرداخته و با استفاده از داده‌کاوی (خوشه‌بندی) به تحلیل سری زمانی قیمت نفت پرداخته و عوامل موثر بر قیمت نفت شناسایی شدند. این عوامل عبارتند از: ذخایر اثبات شده نفت کشورهای OECD، تولید نفت اوپک، ظرفیت پالایشگاه‌های نفت کشورهای OECD، قیمت طلا و رشد اقتصادی کشورهای گروه7. پس از تحلیل و شناخت بیشتر از بازار نفت، هستی‌شناسی اولیه اصلاح شده و هستی‌شناسی کامل‌تر و مناسب‌تری در مورد بازار نفت بنیان نهاده شد. با توجه به معیارهای خطای بدست آمده مشخص شد که مدل‌های شبکه عصبی مصنوعی دقت بسیار بالاتری نسبت به مدل اقتصادسنجی خودرگرسیو میانگین متحرک در پیش‌بینی قیمت جهانی نفت دارند، هم‌چنین در بین مدل‌های شبکه عصبی، مدلی که از نتایج خوشه‌بندی و هستی‌شناسی اصلاح شده استفاده می‌نماید دقت بیشتری نسبتبه سایر مدل‌ها دارد.