اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 296 |
| تعداد مقالات | 2,469 |
| تعداد مشاهده مقاله | 2,724,987 |
| تعداد دریافت فایل اصل مقاله | 2,079,778 |
پیش بینی قیمت نفت خام با استفاده از روش متن کاوی ومدلسازی داده های بزرگ | ||
| نشریه مهندسی منابع معدنی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 17 آبان 1401 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2022.17482.1593 | ||
| نویسندگان | ||
سعید کیان پور  1؛ شهرام فتاحی2؛ کیومرث سهیلی2
| ||
| 1عضو هیات علمی/دانشگاه پیام نور | ||
| 2دانشیار، دانشکده اقتصاد، دانشگاه رازی، کرمانشاه | ||
| چکیده | ||
| هدف این تحقیق بررسی پیش بینی قیمت نفت با رهیافت متن کاوی و مدل داده‌‌های بزرگ می‌‌باشد. برای استخراج خودکار ویژگی های متن از اخبار آنلاین نفت خام از روش شبکه عصبی کانولوشنال استفاده می‌‌شود و از این طریق قدرت توضیح دهندگی مدل افزایش می‌یابد. همچنین حالت مختلف سری زمانی با استفاده از تجزیه حالت با استفاده از روش کانولوشن مورد استفاده قرار می‌گیرد. نزدیک به 13000 عنوان خبری طی سال‌‌های 2021-2011 جمع آوری شد و در نتیجه مشخص شد روشهای پیش بینی مبتنی بر متن کاوی و داده های 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. هدف این تحقیق بررسی پیش بینی قیمت نفت با رهیافت متن کاوی و مدل داده‌‌های بزرگ می‌‌باشد. برای استخراج خودکار ویژگی های متن از اخبار آنلاین نفت خام از روش شبکه عصبی کانولوشنال استفاده می‌‌شود و از این طریق قدرت توضیح دهندگی مدل افزایش می‌یابد. همچنین حالت مختلف سری زمانی با استفاده از تجزیه حالت با استفاده از روش کانولوشن مورد استفاده قرار می‌گیرد. نزدیک به 13000 عنوان خبری طی سال‌‌های 2021-2011 جمع آوری شد و در نتیجه مشخص شد روشهای پیش بینی مبتنی بر متن کاوی و داده های بزرگ مبتنی بر اینترنت از روشهای دیگر بهتر عمل می‌کند. | ||
| 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] | ||
| saeed kian poor1؛ Shahram Fattahi2؛ Kiomars Soheili2 | ||
| 1member faculty/payamenoor | ||
| 2Associate Professor, Faculty of Economics, Razi University, Kermanshah | ||
| چکیده [English] | ||
| This study's objective is to look at big 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, a state analysis approach called convolution is employed with various time series models. 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 quite 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 properly forecasting the price of crude oil. This study's objective is to look at big 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, a state analysis approach called convolution is employed with various time series models. 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 quite fair to say that there is a parallel link between news headlines, those headlines, and searches in the Google search engine. | ||
| کلیدواژه‌ها [English] | ||
| Oil Price, Google Trends, Data Mining, Deep Learning, Convolution Neural Network | ||
|
آمار تعداد مشاهده مقاله: 32 |
||
