تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > دراسة تأثير خوارزمية العنقدة K...>الوصف

دراسة تأثير خوارزمية العنقدة K-Means على أداء النموذج SVM في مهمة التنبؤ بسعر الصرف لليرة السورية

العنوان بلغة أخرى: Investigating the Impact of the K-Means Clustering Algorithm on SVM Model Performance in the Task of Predicting the Exchange Rate of the Syrian Pound
المصدر: مجلة جامعة تشرين للبحوث والدراسات العلمية - سلسلة العلوم الاقتصادية والقانونية
الناشر: جامعة تشرين
المؤلف الرئيسي: أحمد، طالب (مؤلف)
المؤلف الرئيسي (الإنجليزية): Ahmad, Taleb
المجلد/العدد: مج46, ع6
محكمة: نعم
الدولة: سوريا
التاريخ الميلادي: 2024
الصفحات: 551 - 574
ISSN: 2079-3073
رقم MD: 1550621
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
التعلم العميق | التنبؤ الاقتصادي | أسعار الصرف | الليرة السورية
كلمات المؤلف المفتاحية:
التنقيب في البيانات | خوارزمية K-Means | خوارزمية SVM | التنبؤ | Data Mining | K-Means Algorithm | SVM Algorithm | Prediction
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

1

حفظ في:
المستخلص: هدف البحث إلى دراسة تأثير خوارزمية التجميع K-means على أداء نموذج دعم آلات المتجهات (SVM) في مهمة التنبؤ بسعر صرف الليرة السورية مقابل الدولار الأمريكي. تُعتبر هذه الدراسة ذات أهمية بالغة في ظل التقلبات الحادة التي يشهدها سعر صرف الليرة السورية وتأثيره المباشر على الاقتصاد السوري. استخدمت الدراسة بيانات سلاسل زمنية يومية لسعر الصرف للفترة الممتدة من بداية عام 2015 حتى منتصف فبراير 2024، بواقع 3333 مشاهدة. تم الاعتماد على برامج SPSS26 وRStudio وOrange Data Mining لتحليل البيانات وتطبيق الخوارزميات. تم تطبيق خوارزمية K-means لتجميع البيانات. أظهرت النتائج نجاح الخوارزمية في تصنيف البيانات إلى مجموعتين متميزتين إحصائياً، مما يُشير إلى وجود أنماط كامنة ضمن بيانات سعر الصرف. بعد ذلك، تم تطبيق خوارزمية SVM للتنبؤ بسعر الصرف، أولاً بدون استخدام K-means كخطوة سابقة، ثم مع استخدامها. أظهرت النتائج تحسناً ملحوظاً في أداء نموذج SVM باستخدام K-means كخطوة مسبقة. انخفض متوسط الخطأ التربيعي (MSE) بنسبة 47.23%، وانخفض جذر متوسط الخطأ التربيعي (RMSE) بنسبة 27.28%، وانخفض متوسط الخطأ المطلق (MAE) بنسبة 18.21%. في المقابل، ارتفع متوسط الخطأ المطلق النسبي (MAPE) بنسبة 31.81%، ومع ذلك، ارتفع معامل التحديد (R2) بنسبة 52.32%، مما يشير إلى تحسن كبير في قدرة النموذج على تفسير التباين في البيانات. بناءً على هذه النتائج، يُوصي البحث باستخدام K-means كخطوة معالجة مسبقة لتحسين أداء SVM في التنبؤ بسعر الصرف، كما يُوصي بإجراء دراسات مستقبلية تتضمن فترات زمنية أطول، وتطبيق تقنيات تحليل متقدمة مثل التعلم العميق.

This research investigates the impact of the K-means clustering algorithm on the performance of a Support Vector Machine (SVM) model in predicting the exchange rate of the Syrian Pound against the US dollar. This study holds significant relevance given the substantial fluctuations observed in the Syrian Pound's exchange rate and its direct impact on the Syrian economy. The study utilizes daily time-series data for the exchange rate, spanning from the beginning of 2015 to mid-February 2024, comprising 3333 observations. SPSS26, RStudio, and Orange Data Mining were employed for data analysis and algorithm implementation. The K-means algorithm was initially applied to cluster the data. Results indicated the algorithm's success in classifying the data into two statistically distinct clusters, suggesting underlying patterns within the exchange rate data. Subsequently, the SVM algorithm was applied to predict the exchange rate, first without utilizing K-means as a preprocessing step and then with its inclusion. The findings demonstrated a notable improvement in the SVM model's performance when K-means was employed as a preprocessing step. Specifically, the Mean Squared Error (MSE) decreased by 47.23%, the Root Mean Squared Error (RMSE) decreased by 27.28%, and the Mean Absolute Error (MAE) decreased by 18.21%. Conversely, the Mean Absolute Percentage Error (MAPE) increased by 31.81%. However, a substantial increase in the coefficient of determination (R2) by 52.32% indicates a significant improvement in the model's ability to explain the variance in the data. Based on these results, the study recommends incorporating K-means as a preprocessing step to enhance SVM performance in exchange rate prediction. Furthermore, it recommends future research encompassing longer time periods and employing advanced analytical techniques such as deep learning.
ISSN: 2079-3073

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.