مریم سلطان محمدی - دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد ملایر ،شهرملایر
رضا رافع - ۲Centre for Business, Information Technology and Enterprise Waikato Institute of Technology Hamilton, New Zealand

امروزه یادگیری ماشین امیدی تازه را در دل محققان هوش مصنوعی بر ای ایجاد ماشین هایی متفکر به وجود آورده است و از آنجایی کهنفت خام هم یک عنصر استراتژی ک در بسیاری از صنایع و بازارها می باشد ، پیش بینی قیمت آن و شناسایی روند حرکت آن هموارهمورد توجه محافل تجاری و علمی می باشد.تاکنون مدل ها ی متفاوت و گوناگونی ارائه شده و تلاش همه مدل ها برآن بوده است که پیشبینی با خطای کمتر را داشته باشند. با کمک یادگیری ماشین می توان به دقتی بالاتر از روش های معمول پیش بینی از جمله روشهایآما ری و ریاضی رسید که این امر به نوبه خود می تواند در رسیدن به وضعیت بازار پایدار و جلوگیری از رکود اقتصادی شدید موثر و مهمباشد ، در این تحقیق از روش یادگیری ماشین های بردار پشتیبان به همراه الگوریتم حرکت تجمعی ذرات (PSO) برای حل مسئله پیشبینی کوتاه مدت قیمت نفت BRENT استفاده شده است، که دقت بالاتری نسبت به روش SVM و یا روشه ای ترکیبی قبلی که موردمطالعه قرار گرفته اند ، از خود نشان داده است . با استفاده از PSO توانستیم باعث بهینه سا زی هوشمند داده ها و با استفاده از SVM باهسته RBF افزایش دقت پیش بینی را بالاتر ببریم ، که میزان دقت روش PSO-SVM را با استفاده ازمعیارهای MSE ، RMSE، MAE ، NMSE مورد بررسی قرار داده شده است . درمدل PSO-SVM برای سنجش میزان دقت بالای پیش بینی کوتاه مدت قیمتنفت BRENT را با استفاده از معیارهای بیان شده بدست آمده است که نشان از دقت بسیار بالای آن دارد.

الگوریتم ماشین بردارپشتیبان،الگوریتم PSO ، قیمت نفت خام،قیمت نفت BRENT ، پیش بینی کوتاه مدت