العنوان بلغة أخرى: |
تقدير معاملات نموذج بوتستراب الرمادي GM"1.1" واستخدامها في نموذج سلسلة ماركوف الرمادية الهجينة |
---|---|
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 |
المجلد/العدد: | مج14, ع4 |
محكمة: | نعم |
الدولة: |
العراق |
التاريخ الميلادي: |
2024
|
الصفحات: | 387 - 401 |
DOI: |
10.32894/1913-014-004-028 |
ISSN: |
2222-2995 |
رقم MD: | 1528702 |
نوع المحتوى: | بحوث ومقالات |
اللغة: | الإنجليزية |
قواعد المعلومات: | EcoLink |
مواضيع: | |
كلمات المؤلف المفتاحية: |
نموذج بوتستراب الرمادي | نموذج سلسلة ماركوف الرمادية الهجينة | عملية التوليد المتراكمة "AGO " | مصفوفة انتقال الحالة | انتقالات الحالة الاحتمالية | Accumulated Generating Operation "AGO" | Bootstrap Grey Model | Hybrid Grey Markov Chain Model | Probabilistic State Transition
|
رابط المحتوى: |
المستخلص: |
يستكشف هذا البحث تقدير معلمات نموذج بوتستراب الرمادي (1.1) GM وتطبيقها ضمن نموذج سلسلة ماركوف الرمادية الهجينة لتحسين دقة التنبؤ. يعد نموذج الرمادي (1.1) GM مناسبا تماما لمجموعات البيانات الصغيرة والأنظمة الديناميكية ذات المعلومات غير المؤكدة وغير المكتملة تتضمن المنهجية تحويل بيانات السلسلة الزمنية الأصلية من خلال عملية التوليد المتراكمة (AGO) وإنشاء مصفوفة بيانات لتقدير معلمات النموذج a وb باستخدام تقدير المربعات الصغرى لتعزيز قوة تقديرات المعلمات، يتم استخدام إعادة أخذ العينات من بوتستراب، مما يوفر مجموعات بيانات متعددة تم إعادة أخذ عينات منها والتي يتم اشتقاق متوسط وفترات الثقة للمعلمات منها. بعد ذلك، يتم دمج هذه المعلمات المكررة في نموذج سلسلة ماركوف الرمادية الهجينة، والذي يعمل على تآزر نقاط القوة في نظرية النظام الرمادي وسلاسل ماركوف. يستخدم هذا النموذج الهجين أولا النموذج الرمادي للتنبؤ بالحالة الأولية، يليه تطبيق سلاسل ماركوف لضبط التوقعات بناء على انتقالات الحالة الاحتمالية المستمدة من منظمة الصحة العالمية، تقرير مكافحة السل في العالم. تظهر النتائج أن استخدام تقدير معلمات نموذج بوتستراب الرمادي (1.1) GM واستخدام نموذج سلسلة ماركوف الرمادية الهجين، يعطينا نتائج دقيقة وفعالة، ويبدأ عدد الأشخاص المصابين بهذا النوع من الأمراض في الانخفاض في السنوات القادمة. This work investigates the estimation of Bootstrap Grey Model GM (1,1) parameters and their use in a Hybrid Grey Markov Chain Model to improve forecasting precision. The Grey Model GM (1,1) works effectively with dynamic systems that have little or no information and tiny datasets. The Accumulated Generating Operation (AGO) is used to modify the original time series data, and a data matrix is created in order to estimate the model's parameters, a and b, using least squares estimation. In order to improve the robustness of the parameter estimations, bootstrap resampling is used, which yields numerous resampled datasets from which the parameters' mean and confidence ranges are obtained. These improved parameters are then integrated into the Hybrid Grey Markov Chain Model, which combines the advantages of Markov chains and grey system theory. In order to modify the forecasts based on probabilistic state transitions taken from the World Health Organization's Global Tuberculosis Report, this hybrid model first applies the grey model for starting state forecasting. Markov chains are then used. According to the results, the number of persons affected with this sort of sickness starts to decline in the upcoming years when we use the Hybrid Grey Markov Chain Model and Estimate the Parameters of the Bootstrap Grey Model GM (1,1) to get accurate and effective results. |
---|---|
ISSN: |
2222-2995 |