نشر فريق بحثي من جامعتي كربلاء وسومر وكلية الصفوة الجامعة (المدرس الدكتور بشار خالد علي، المدرس الدكتور عادل عبود نجم، الاستاذ الدكتور مهدي وهاب نعمة نصر الله) بحثا علميا بعنوان ” اقتراح نموذج CNN الكمي للتنبؤ المتعدد المتغيرات “. في مجلة ” الاحصائيين العراقية – العراق “
الملخص:
في ظل التطورات المتسارعة تطبيقات تعلم الآلة ، أصبحت الشبكات العصبية أداة رئيسية للتنبؤ وتحليل البيانات الكبيرة
والمعقدة. ومع ذلك، لا تزال التحديات قائمة في تحقيق دقة عالية في التنبؤ بالمتغيرات المتعددة في آنٍ واحد، خاصة عندما تكون هذه
المتغيرات مترابطة ومعقدة. تعد الشبكات العصبية الملتفة (Convolutional Neural Networks CNNs) واحدة من التقنيات
الفعالة في معالجة الصور والتعرف على الأنماط وتحليل الفيديوهات ، ولكن هناك فجوة في الأبحاث المتعلقة بتطبيقها للتنبؤ الكمي
بالمتغيرات المتعددة، حيث لم يتم بعد اختبار إمكانياتها بشكل كافٍ في التعامل مع مثل هذه البيانات لتحقيق توزيع احتمالي أكثر دقة
للتنبؤات. في هذا البحث , تم اقتراح خوارزمية جديدة اطلقنا عليها الشبكات العصبية الملتفة الكمية (Quantitative CNNs) التي
تستعمل للتنبؤ بالبيانات الكمية وذلك من خلال تعديل بنية الشبكة بدل من أن تكون الشبكة مهيأة لمعالجة الصور، يمكن أن تقوم
بتكييفها للعمل مع بيانات زمنية أو بيانات كمية متعددة الأبعاد بمعالجة طبقات الالتفاف بعد تمرير البيانات عبر طبقات الالتفاف،
واستخدام طبقات كثيفة (Dense Layers) وخلال مرحلة التدريب، نستخدم البيانات الكمية كمدخلات وتقديم النتائج العددية التي
تحتاج إلى تنبؤ بها كقيم مستهدفة وبذلك تكون مخرجات الشبكة أرقاماً كمية بدلاً من تصنيفات. تم تحسين دقة هذه الخوارزمية
باستعمال خوارزمية رائحة القرش (Shark Smell Optimization (SSO)) لتحسين عملية التدريب، وضبط الأوزان أو
المعلمات الفوقية مثل معدلات التعلم، حجم الطبقات، وعدد النيرونات للبحث عن الحل الأمثل في فضاء المعلمات وبالتالي زيادة دقة
لتنبؤ . ولاختبار الطريقة الجديدة تم استخدام تجارب محاكاة مونت كارلو (Monte Carlo Simulation) بالاعتماد على توليد
أعداد كبيرة من العينات العشوائية لدراسة تأثير المتغيرات العشوائية على النظام أو النموذج المقترح . وتم التوصل الى الدقة العالية
للطريقة المقترحة. كذلك تم تطبيق الطريقة على مجموعة بيانات حقيقية متعددة تمثل اسعار الغاز الطبيعي وهي سعر الغاز الطبيعي
الفوري (Spot Price) , سعر العقود الآجلة (Futures Price) , مستوى المخزون (Storage Level) , الطلب اليومي
(Daily Demand) , درجات الحرارة (Temperature) , تكاليف الشحن والنقل (Shipping and Transportation Costs)
, الأحداث الجيوسياسية (Geopolitical Events): , أسعار النفط (Oil Prices) , وسعر صرف العملات (Currency
Exchange Rate) (الدينار العراقي مقابل الدولار الأمريكي) . وتم التوصل الى ان هنالك ارتفاع في اسعار الغاز الطبيعي خلال
السنوات القادمة بناء على انموذج (QNNs).
