تقييم كفاءة نموذج الشبكات العصبية ذات الأساس الشعاعي (RBF) في التنبؤ بالسلاسل الزمنية للمتغيرات الاقتصادية: دراسة تطبيقية
DOI:
https://doi.org/10.37376/fesj.vi19.7430الكلمات المفتاحية:
الشبكات العصبية RBF، التنبؤ بالسلاسل الزمنية، إنتاج النفط، مؤشرات الجودة الإحصائية، تحسين دقة النموذج.الملخص
هدفت هذه الدراسة إلى تقييم فعالية نموذج الشبكات العصبية RBF في التنبؤ بسلسلة زمنية من المتغيرات الاقتصادية أو الإحصائية خلال الفترة من يوليو 2009 إلى يونيو 2011، بالاعتماد على ستة متغيرات مستقلة (X1–X6) لتقدير المتغير التابع (RBF).أظهرت النتائج أن النموذج يتمتع بدقة تنبؤية عالية، حيث بلغت قيمة معامل الارتباط (Correlation) بين القيم الفعلية والمتنبأ بها للمتغيرات الرئيسة، مثل X1، ما يقارب 0.957، مع دلالة إحصائية مرتفعة (p < 0.01).عكست القيم المتوقعة من النموذج اتجاهًا تصاعديًا للمتغير RBF، بما يتوافق مع التوجهات الزمنية للبيانات، كما برزت المتغيرات X2 وX3 كعوامل ذات أهمية نسبية مرتفعة في التنبؤ. وقد تميز النموذج بمستويات أداء قوية وفقًا لمؤشرات الجودة الإحصائية مثل AIC وSIC وHQC، إلى جانب ارتفاع معامل التحديد (R²) رغم الكفاءة العامة للنموذج، لوحظت بعض الفروقات في دقة التنبؤ، لا سيما مع المتغيرين X3 وX5، اللذين أظهرا ارتفاعًا نسبيًا في مؤشري MAPE وTS، ما يشير إلى إمكانية تحسين أداء النموذج في هذه الحالات.
في ضوء النتائج، أوصت الدراسة بما يلي:
- تعزيز استخدام نموذج RBF في تطبيقات التنبؤ الإحصائي والاقتصادي.
- مراجعة أداء بعض المتغيرات لتحسين التنبؤ.
- استخدام معايير تقييم النماذج بشكل دوري.
- تحسين جودة البيانات وتدريب الفرق الفنية على استخدام هذا النوع من النماذج.
تُبرز هذه الدراسة الكفاءة العالية التي يتمتع بها نموذج الشبكات العصبية (Radial Basis Function – RBF) بوصفه أحد النماذج المتقدمة في ميدان تحليل السلاسل الزمنية والتنبؤ بالقيم المستقبلية.
التنزيلات
المراجع
عبد الرحمن، س. (2023). تحليل الشبكات العصبية ذات الأساس الشعاعي لمقياس إدمان تطبيقات الهواتف الذكية وانتشاره لعينة من المراهقين المصريين. مجلة العلوم التربوية، العدد الرابع، 89-102.
محمد، ع. (2020). استخدام الشبكات العصبية ذات الأساس الشعاعي في تطوير دور مراقب الحسابات في اكتشاف الأخطاء الجوهرية. مجلة البحوث المحاسبية، العدد الخامس، 45-67.
References
Alizamir, M., Kisi, O., Ahmed, A. N., & Mert, C. (2020). Advanced hybrid RBF models for groundwater level prediction. Environmental Earth Sciences, 79(12), 1–15. https://doi.org/10.1007/s12665-020-09034-y
Li, Y. (2025). Radial basis function neural network and response surface for drilling-related predictions. Processes, 13(1), 145. https://doi.org/10.3390/pr13010145
Przybyła-Kasperek, M. (2024). MLP and RBF comparison for classification tasks. Applied Sciences, 14(2), 897. https://doi.org/10.3390/app14020897
Zhao, L., Luo, Z., Deng, G., & Shi, V. (2023). Prediction of corrosion failure probability of buried oil and gas pipeline based on an RBF neural network. Journal of Loss Prevention in the Process Industries, 81, 104745. https://doi.org/10.1016
Zhang, X., Luo, W., Liu, G., Yu, B., Bo, W., & Zhao, P. (2024). An improved radial basis function neural network for landslide displacement prediction. Frontiers in Earth Science.https://doi.org/10.3389/feart.2024. 1389161
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2025 مجلة كلية التربية العلمية
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
