پیش‌بینی نرخ تورم استان کرمانشاه با استفاده از شبکه عصبی LSTM

نوع مقاله : مقاله پژوهشی

نویسنده

گروه آمار، دانشکده علوم، دانشگاه رازی، کرمانشاه، ایران

10.22034/mpo.2023.413712.1092

چکیده

تورم یک موضوع بسیار مهم است که پیش‌بینی نرخ آن می‌تواند در تصحیح و یا تداوم تصمیمات اقتصادی در جامعه و ریل‌گذاری سیاست‌های کلان یاری‌گر باشد. همچنین، پیش‌بینی نرخ تورم به سرمایه‌گذاران، مشاغل، شرکت‌ها و مصرف‌کنندگان کمک می‌کند تا تصمیمات آگاهانه‌ای در مورد آینده اتخاذ کنند که در نهایت می‌تواند به ارتقا و رشد اقتصادی منجر شود. از این رو در این مقاله، به مسئله پیش‌بینی نرخ تورم استان کرمانشاه پرداخته می‌شود. مدل‌های مختلف آماری برای پیش‌بینی سری‌های زمانی از جمله مدل پرکاربرد میانگین متحرک جمع‌بسته اتورگرسیو فصلی (SARIMA) معرفی شده‌اند. هدف از معرفی آن‌ها ارایه پیش‌بینی‌هایی با دقت بالا است. در کنار مدل‌های آماری، روش‌های یادگیری ماشین از جمله شبکه‌های عصبی نشان داده‌اند که ابزاری قدرتمند در پیش‌بینی سری‌های زمانی هستند. یکی از شبکه‌های عصبی پرکاربرد در این زمینه شبکه حافظه طولانی کوتاه-مدت (LSTM) است. شبکه LSTM با توجه به معماری آن‌، به طور خاص برای داده‌های دنباله‌ای طراحی شده‌ است که توانایی بالایی در به خاطر سپردن وابستگی‌های طولانی مدت داده‌ها دارد. از این‌رو، در این مقاله، برای پیش‌بینی نرخ تورم استان کرمانشاه از شبکه عصبی LSTM استفاده می‌شود. با استفاده از داده‌های ‌نرخ تورم که به طور ماهانه از اسفند 1391 تا خرداد 1402 توسط مرکز آمار ایران گزارش شده است، دقت پیش‌بینی شبکه LSTM با مدل SARIMA مقایسه شده است. نتایج نشان می‌هند، شبکه LSTM رقابت‌پذیر با مدل SARIMA است. بنابراین با استفاده از شبکه LSTM و داده‌های موجود، نرخ تورم در ماه‌های آتی بعد از خرداد 1402 پیش‌بینی شده است.

کلیدواژه‌ها

موضوعات

فایل ها

هم رسانی

ارجاع به این مقاله

آمار