ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Comparison Markov Chain and Ne...>الوصف

Comparison Markov Chain and Neural Network Models for Forecasting Population Growth Data in Iraq

العنوان بلغة أخرى: مقارنة نماذج سلسلة ماركوف والشبكات العصبية للتنبؤ ببيانات النمو السكاني في العراق
المصدر: مجلة جامعة كركوك للعلوم الإدارية والاقتصادية
الناشر: جامعة كركوك - كلية الإدارة والاقتصاد
المؤلف الرئيسي: حسين، محمد محمود فقي (مؤلف)
المؤلف الرئيسي (الإنجليزية): Hussein, Mohammed Mahmoud Faqi
مؤلفين آخرين: آزاد عبدالله سعيد (م. مشارك) , محمد، سوران حسين (م. مشارك)
المجلد/العدد: مج13, ع4
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2023
الصفحات: 1 - 14
DOI: 10.32894/1913-013-004-001
ISSN: 2222-2995
رقم MD: 1462901
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
نموذج سلسلة ماركوف | الزيادة السكانية | التنبؤات السكانية | العراق
كلمات المؤلف المفتاحية:
نموذج سلسلة ماركوف | الشبكة العصبية | متوسط مربع الخطأ | Markov Chain Model | Neural Network | Mean Square Error | AIC
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

1

حفظ في:
المستخلص: الهدف من هذه الدراسة هو إجراء تحليل شامل لمقارنة فعالية نموذجين متميزين، سلاسل ماركوف والشبكات العصبية، في التنبؤ بأنماط النمو السكاني في العراق. تعد التنبؤات السكانية الدقيقة ضرورية لاتخاذ قرارات مستنيرة في دولة تمر بتغيرات ديموغرافية. ندرس النمو السكاني في العراق خلال الفترة ١٩٦١-٢٠٢٢. تم الحصول على بيانات النمو السكاني العراقي من الموقع: https://data.worldbank.org/indicator/SP.POP.GROW?locations=IQ تقدم نماذج سلسلة ماركوف، التي تعتمد على التحولات الاحتمالية، إطارا احتماليا للتنبؤ بالنمو السكاني. تعمل هذه النماذج في ظل افتراض أن الحالات السكانية المستقبلية تعتمد فقط على الحالة الحالية، مما يوفر أداة مباشرة لكنها قوية للتنبؤ الديموغرافي. على العكس من ذلك، توفر الشبكات العصبية، وهي مجموعة فرعية من نماذج التعلم الآلي، نهجا أكثر قابلية للتكيف وقادرا على تمييز الأنماط والعلاقات المعقدة داخل البيانات. تظهر النتيجة أن نماذج الشبكات العصبية تعطينا ميزة على نماذج سلسلة ماركوف لان قيمة متوسط مربع الخطأ في نماذج الشبكات العصبية اقل من القيمة في نماذج سلسلة ماركوف وان القيمة التنبؤية للنمو السكاني السنوي في العراق (۲,۹۹%) خلال الفترة من ۲۰۲۲ إلى ۲۰۲۹

The aim of this study is to conduct a comprehensive analysis comparing the effectiveness of two distinct models, Markov chains and neural networks, in forecasting population growth patterns in Iraq. Accurate population forecasts are essential for informed decision making in a nation undergoing demographic changes. We examine the growth of the population in Iraq during the period 1961–2022. The data was obtained on Iraqi population growth from the website: https://data.worldbank.org/indicator/SP.POP.GROW?locations=IQ. Markov chain models, which rely on probabilistic transitions, offer a probabilistic framework for population growth prediction. These models operate under the assumption that future population states depend solely on the current state, providing a straightforward yet potent tool for demographic forecasting. Conversely, neural networks, a subset of machine learning models, provide a more adaptable approach capable of discerning complex patterns and relationships within the data. The result shows that neural network models give us an advantage over Markov chain models because the value of the mean square error in neural network models is less than the value in Markov chain models and that the predictive value of annual population growth in Iraq is (%2.99) over a period of 2022 to 2029.
ISSN: 2222-2995

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.