جستجوی مقالات مرتبط با کلیدواژه « Neural network » در نشریات گروه « علوم ترویج »
تکرار جستجوی کلیدواژه «Neural network» در نشریات گروه «کشاورزی»-
واردات و صادرات در همه کشورها نقش مهمی در رشد اقتصادی ایفا می کنند. بنابراین، انتخاب محصولات مناسب، باعث افزایش رقابت پذیری کشور در تجارت جهانی می شود. زعفران یکی از مهم ترین و متمایزترین محصولات غیرنفتی ایران برای صادرات است. هدف این مطالعه، پیش بینی صادرات زعفران از طریق سه الگوریتم داده کاوی و انتخاب الگوریتم مناسب در پیش بینی است. دوره نمونه مدل های پیش بینی شامل داده های صادرات زعفران ایران از سال 2012 تا 2019 است که از انجمن زعفران ایران جمع آوری شده اند. پس از انجام مراحل آماده سازی داده، پیش بینی صادرات زعفران با استفاده از سه الگوریتم داده کاوی شامل شبکه عصبی مصنوعی، یادگیری عمیق و درخت تقویت گرادیانی انجام شد. برای انتخاب یک مدل پیش بینی بهتر، اعتبار مدل نقش مهمی ایفا می کند. صحت پیش بینی سه مدل طراحی شده به کمک خطای مطلق (036/0 = شبکه ی عصبی مصنوعی، 031/0 = یادگیری عمیق شبکه، 047/0 = درخت تقویت گرادیانی)، معیار R2 (045/0 = شبکه ی عصبی مصنوعی، 044/0 = یادگیری عمیق شبکه، 073/0 = درخت تقویت گرادیانی) و همبستگی (95/0 = شبکه ی عصبی مصنوعی، 98/0 = یادگیری عمیق شبکه، 97/0 = درخت تقویت گرادیانی) اندازه گیری شدند. براساس یافته ها، تمامی این سه مدل طراحی شده دقیق هستند و خطای پیش بینی آن ها بسیار کم و نزدیک به هم است. اما با تفاوت ناچیز، شبکه یادگیری عمیق کمترین خطا را دارد. نتایج می توانند برای برنامه ریزی دقیق تر صادرات زعفران مفید باشند.
کلید واژگان: یادگیری عمیق, درخت تقویت گرادیانی, شبکه عصبی, پیش بینی, صادرات زعفران}International Journal of Agricultural Management and Development, Volume:13 Issue: 2, Jun 2023, PP 167 -179Imports and exports in all countries play an important role in economic growth. Therefore, choosing the right products will increase the country's competitiveness in world trade. Saffron is one of the most important and distinctive non-oil products of Iran for export. The purpose of this study is to predict the export of saffron through three machine learning algorithms and select a proper algorithm for predicting. The sample period of the forecasting models includes the data of Iran Saffron export from 2012 to 2019 which have been collected from the Iran Saffron Association. After performing the data preparation steps, the saffron export prediction was performed using three data mining algorithms including artificial neural network, deep learning, and gradient boost tree. To choose a better forecasting model, the validity of the model plays an essential role. Predictive validity of three designed models, using Absolute Error (Artificial neural network = 0.036, Network deep learning = 0.031, Gradiant boost tree = 0.047), R-squared (Artificial neural network = 0.045, Network deep learning = 0.044, Gradiant boost tree = 0.073) and Correlation (Artificial neural network = 0.95, Network deep learning = 0.98, Gradiant boost tree = 0.97) were measured. Based on the findings, all of these three designed models are accurate and their prediction error is very low and close to each other. However, with insignificant differences, the deep learning network has less error. The results could be useful for more accurate planning of saffron exports.
Keywords: Prediction, Saffron Exports, Gradient Boost Tree, deep learning, Neural network} -
ترجیحات مصرف کنندگان در مورد بسته بندی چای، اهمیت بسیار زیادی در صنایع و کسب و کارهای بسته بندی چای دارد. در این مطالعه با ترکیب روش تحلیل متقارن با الگوریتم شبکه عصبی مصنوعی، به شناسایی ترجیحات خریداران برای بسته بندی چای و عوامل موثر بر آن استفاده شده است. بسته بندی چای با انتقال اطلاعات بصری و متنی، بر ترجیحات مصرف کننده و بازاریابی آن اثرگذار می باشد. این مطالعه با هدف بررسی تاثیر ویژگی های بسته بندی چای هم زمان با مولفه قیمت بر ترجیحات مصرف کنندگان با روش تحلیل متقارن و شبکه عصبی مصنوعی مبتنی بر تحلیل متقارن در شهر ساری صورت گرفت. داده های مورد نیاز در سال 1397 با تکمیل 296 پرسشنامه جمع آوری گردید. در این پژوهش از نرم افزارهای SPSS و اکسل استفاده شده است. بر پایه نتایج تحلیل متقارن از بین چهار ویژگی شکل، اطلاعات، قیمت و سابقه برند؛ اطلاعات روی بسته بیشترین تاثیر را از نظر مصرف کننده داشت، همچنین اطلاعات محدود ترجیح بیشتری نسبت به اطلاعات کامل تر دارد. برندهای نسبتا جدید اولویت بیشتری نسبت به برندهای باسابقه طولانی تر دارند. با استفاده از وزن حاصله از تحلیل متقارن در شبکه عصبی مصنوعی به همراه ورود متغیرهای درآمد، سن و میزان مصرف چای، نتایج نشان داد میزان تاثیر اطلاعات، قیمت، شکل و سابقه برند بر انتخاب مصرف کنندگان، به ترتیب حدود 25 درصد، 50 درصد، 22 درصد و 19 درصد می باشد. در مدل شبکه عصبی با ورود متغیرهای درآمد، سن و مصرف، با توجه به درآمد و مصرف انتخاب از حالت ذهنی (خواسته) به حالت انتخاب مصرفی (نزدیک به تقاضا) تعدیل شده است که لحاظ کردن ویژگی های فردی در مدل شبکه عصبی منجر به واقعی تر نشان دادن ترجیحات مصرف کننده در مدل شبکه عصبی مصنوعی شده است؛ برای نمونه، تاثیر متغیر قیمت چای در مدل تحلیل متقارن از 24 درصد به 50 درصد در مدل ترکیبی شبکه عصبی مصنوعی بر پایه تحلیل متقارن افزایش یافته است. با توجه به نتایج حاصله از پژوهش، کارآفرینان و صاحبان کسب و کارهای مرتبط با بسته بندی چای باید بسته بندی را به صورت ترکیبی از اطلاعات حداقلی (اسم برند، قیمت مصرف کننده و تاریخ تولید و انقضا) با شکل قوطی استوانه ای و سطح بالای قیمت انجام دهند.
کلید واژگان: بسته بندی, تحلیل متقارن, ترجیحات مصرف کننده, چای, شبکه عصبی}Consumer preferences regarding tea packaging are very important in the tea packaging industry and businesses. In this study, by combining symmetric analysis method with artificial neural network algorithm, buyerschr('39') preferences for tea packaging and factors affecting it have been used to identify. Tea packaging influences consumer preferences and marketing by conveying visual and textual information. The aim of this study was to investigate the effect of simultaneous tea packaging characteristics with price component on consumer preferences by symmetric analysis and artificial neural network based on symmetric analysis in Sari. The required data were collected in 1397 by completing 296 questionnaires. In this research, SPSS and Excel software have been used. Based on the results of the conjoint analysis of the four characteristics of the shape, Information, price and brand. the information on the package had the greatest impact on the consumer. Also, limited information is more preferable than complete information. Relatively newer brands are more preferable to long-term brands. Using the weight obtained from the results of conjoint analysis in the artificial neural network along with the entry of income, age and amount of tea consumption variables, the results showed that the effect of information on the total model of neural network is 25%, price is 50%, shape is 22% and brand is 19% in consumer selection. In the artificial neural network model, with the arrival of the variables income, age, and consumption of tea, choose according to the income and consumption of state of mind (desires) to the mode select consumer (close to the demand), the adjustment is that, in terms of properties of individual artificial neural network model leads to a realistic show the preferences of the consumer in the model, artificial neural network has been؛ For example, the effect of tea price variable increased from 24% in conjoint analysis to 50% in synthetic neural network model based on conjoint analysis. According to the results of the research, entrepreneurs and business owners related to tea packaging should do the packaging in the form of a combination of minimal information (brand name, consumer price and production date and expiration) in the form of cylindrical cans and high price level.
Keywords: Conjoint analysis, Consumer preferences, Neural network, Packaging, Tea}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.