تعداد نشریات | 19 |
تعداد شمارهها | 374 |
تعداد مقالات | 3,062 |
تعداد مشاهده مقاله | 4,154,544 |
تعداد دریافت فایل اصل مقاله | 2,772,589 |
پیش بینی قیمت نفت خام با استفاده از روش متن کاوی و مدلسازی داده های بزرگ | ||
نشریه مهندسی منابع معدنی | ||
مقاله 5، دوره 8، شماره 2 - شماره پیاپی 28، تیر 1402، صفحه 83-97 اصل مقاله (1005.18 K) | ||
نوع مقاله: علمی-پژوهشی | ||
شناسه دیجیتال (DOI): 10.30479/jmre.2022.17482.1593 | ||
نویسندگان | ||
شهرام فتاحی1؛ سعید کیان پور* 2، 3؛ کیومرث سهیلی1 | ||
1دانشیار، دانشکده اقتصاد، دانشگاه رازی، کرمانشاه | ||
2استادیار، دانشکده اقتصاد، دانشگاه پیام نور، تهران | ||
3دانشجوی دکتری، دانشکده اقتصاد، دانشگاه رازی، کرمانشاه | ||
تاریخ دریافت: 09 تیر 1401، تاریخ بازنگری: 17 آبان 1401، تاریخ پذیرش: 13 شهریور 1401 | ||
چکیده | ||
هدف این تحقیق بررسی پیشبینی قیمت نفت با رهیافت متن کاوی و مدل دادههای بزرگ است. برای استخراج خودکار ویژگیهای متن از اخبار آنلاین نفت خام از روش شبکه عصبی کانولوشنال استفاده میشود و از این طریق قدرت توضیحدهندگی مدل افزایش مییابد. همچنین حالت مختلف سری زمانی با استفاده از تجزیه حالت از روش کانولوشن مورد استفاده قرار میگیرد. نزدیک به 13000 عنوان خبری طی سالهای 2021-2011 جمعآوری شد و در نتیجه مشخص شد روشهای پیشبینی مبتنی بر متنکاوی و دادههای بزرگ مبتنی بر اینترنت از روشهای دیگر بهتر عمل میکند. از این رو میتوان گفت ارتباط موازی عنوانهای خبری و تیتر آنها و جستجو در موتور جستجوی گوگل در پیشبینی دقیق قیمت نفت خام بسیار مناسب است. | ||
کلیدواژهها | ||
قیمت نفت؛ گوگل ترندز؛ دادهکاوی؛ یادگیری عمیق؛ شبکه عصبی کانولوشن | ||
عنوان مقاله [English] | ||
Crude Oil Price Forecasting Using Text Mining and Big Data Modeling | ||
نویسندگان [English] | ||
Sh. Fattahi1؛ S. Kianpoor2، 3؛ K. Soheili1 | ||
1Associate Professor, Faculty of Economics, Razi University, Kermanshah, Iran | ||
2Assistant Professor, Faculty of Economics, Payame Noor University, Tehran, Iran|Ph.D Student, Faculty of Economics, Razi University, Kermanshah, Iran | ||
3Assistant Professor, Faculty of Economics, Payame Noor University, Tehran, Iran|Ph.D Student, Faculty of Economics, Razi University, Kermanshah, Iran | ||
چکیده [English] | ||
This study uses data modeling and text mining techniques for oil price predictions. To improve the model's explanatory capability, text features from internet news articles on crude oil are automatically extracted using convolutional neural networks. Additionally, various time series models employ a state analysis approach called convolution. The years 2021 to 2011 saw the collection of almost 13000 news items, and it was discovered that text mining and data from large Internet-based apps perform better for prediction than other approaches. This means that it is pretty fair to say that there is a parallel link between news headlines, those headlines, and searches in the Google search engine. This relationship is highly appropriate for correctly forecasting the price of crude oil. | ||
کلیدواژهها [English] | ||
Oil price, Google trends, Data mining, Deep learning, Convolution neural network | ||
سایر فایل های مرتبط با مقاله
|
||
مراجع | ||
| ||
آمار تعداد مشاهده مقاله: 445 تعداد دریافت فایل اصل مقاله: 344 |