الناز ایقانی اردبیلی - دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران
محمد منصور ریاحی کاشانی - استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران
احمد آقامحمدی - مربی، گروه مدیریت، دانشگاه جامع علمی کاربردی بیمه ایران، تهران، ایران

نبود پیش بینی ساختارمند درخصوص محصول پرکاربرد پلی اتیلن ترفتالات، شرکت صنایع پتروشیمی را بر آن داشته است که پیش بینی های قیمت را از شرکت های خارجی خریداری کند. جلوگیری از خروج ارز و تحمل عوامل سیاسی مانند تحریم ها در این حوزه نیازمند پیش بینی علمی قیمت ها در داخل است. محققان ناچار هستند به دلیل ماهیت زنجیره وار و نیز اطلاع نداشتن از میزان تاثیر عوامل متعدد موثر بر قیمت به منظور پیش بینی، مسائلی با پیچیدگی زیاد و معادلاتی با درجه بالا را حل کنند. انتخاب تعداد و نوع متغیرهای ورودی شبکه عصبی تاثیر بسزایی در کارآیی سیستم دارد، از این رو از روش تحلیل بنیادین با تکیه بر تئوری عرضه - تقاضا و نگرش کلان اقتصادی و روش آماری دلفی برای انتخاب عواملی با اثرگذاری بیشتر بر قیمت استفاده شده است. نخست با استفاده از متغیرهای کنترل شده، توپولوژی کلی شبکه عصبی طراحی شد. سپس با در نظر گرفتن متغیرهای مستقل، مانند تعداد لایه های پنهان و تعداد نرون ها و بررسی تاثیر آنها بر کارآیی عملکرد شبکه عصبی، شبکه بهینه انتخاب شد. از معیارهای میانگین مربعات خطا و ضریب تعیین به عنوان متغیرهای وابسته استفاده شده است. بعد از ایجاد رابط کاربری، ارتباط سیستم با شبکه عصبی بهینه برقرار شد. به منظور بررسی عملکرد سیستم، قیمت واقعی محصول مدنظر در سال مرجع با قیمت پیش بینی شده به وسیله سیستم پیشنهادی و قیمت خریداری شده از شرکت سی­ام­ای­آی مورد مقایسه قرارگرفت و نتایج، کارآیی قابل قبول سیستم پیشنهادی را با میانگین خطای کمتر از ۳ درصد در پیش بینی قیمت زنجیره مد نظر اثبات کرد. این سیستم می تواند صنایع پتروشیمی را از خرید اطلاعات پیش بینی قیمت از شرکت های خارجی بی نیاز سازد.

Price Forecasting Model, Neural Network, Petrochemical Products, محصولات پتروشیمی, مدل های پیش بینی قیمت, شبکه های عصبی