TREND

مدل سازی دینامیکی – مدل روند

نوشته دکتر محمدرضا عاطفی
دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور سازمان‌ها و تحلیل‌گر سیستم‌

سری مدل‌سازی دینامیکی 

مدل روند   Trend

شرح مدل

کمیت تاریخی را مشاهدات گذشته و کمیت درک شده را مشاهده فعلی در نظر می‌گیریم. تفاوت این دو رشد یا کاهش را مشخص می‌کند. تقسیم این کمیت بر مشاهدات گذشته، نسبت رشد یا کاهش را به دست می‌دهد. تقسیم بر زمان بین دو مشاهده، نسبت رشد را در واحد زمان نشان می‌دهد. کمیت درک شده همواری از کمیت واقعی است و کمیت تاریخی همواری بیشتر از کمیت درک شده است. زمان بین این دو هموار ثابت، زمانی روی کمیت تاریخی است.

 

مورد استفاده:

Extrapolation

مدل جریان و حالت:

معادلات:


FractionalTrend = (PerceivedQuantity – HistoricalQuantity) / (HistoricalQuantity * DurationOverWhichToCalculateTrend)

Units: fraction/year                                           

PerceivedQuantity = SMOOTH(ActualQuantity, TimeToPerceiveQuantity)

 Units: Quantity units                                          

 =  ActualQuantity

Units: Quantity units                                         

 =  TimeToPerceiveQuantity 

Units: year                                        

HistoricalQuantity = INTEG(ChangeInHistoricalQuantity, PerceivedQuantity)

 Units: Quantity units                                       

/ ChangeInHistoricalQuantity = (PerceivedQuantity – HistoricalQuantity) 

DurationOverWhichToCalculateTrend

Units: Quantity units / year                                      

 =  DurationOverWhichToCalculateTrend

Units: years                                     

رفتار:

ساختار در نهایت به نرخ رشد واقعی یک کمیت نمایی همگرا می‌شود.

نمونه‌های کلاسیک:

  • اغلب برای محاسبه نرخ افزایش فروش یا تقاضا استفاده می‌شود.

 

نکات فنی:

تأخیر ادراک، در کمیت درک شده اغلب از نظر مفهومی ضروری است. اما در سطح فنی، هموارسازی از تغییر ناگهانی در روند جلوگیری می کند

 

بینش‌های مرتبط

دکتر محمدرضا عاطفی

عضو هیئت علمی دانشگاه
رئیس هیئت مدیره گروه ناب
هم بنیان گذار شرکت دانش بنیان
مشاور شرکت ها و سازمان های بزرگ کشور

آنچه می خوانید

هوش مصنوعی

الگوریتم CLARANS چیست؟ خوشه‌بندی تصادفی داده‌های بزرگ

  1.چکیده الگوریتم CLARANS که مخفف ِClustering Large Applications based on Randomized Search است، یکی از روش‌های مهم خوشه‌بندی مبتنی بر medoid به شمار می‌رود که برای بهبود مقیاس‌پذیری و کیفیت جست‌وجو در داده‌های نسبتاً بزرگ طراحی شده است. این روش را می‌توان حلقه‌ای میان PAM و CLARA دانست: از

توضیحات بیشتر »
هوش مصنوعی

الگوریتم CLARA چیست؟ آموزش خوشه‌بندی داده‌های بزرگ

1. چکیده الگوریتم CLARA، مخفف Clustering Large Applications، یکی از روش‌های کلاسیک و مهم در خوشه‌بندی داده‌های بزرگ است که بر پایه الگوریتم k-Medoids و به‌طور مشخص PAM توسعه یافته است. مسئله اصلی این است که PAM با وجود تفسیرپذیری مناسب و مقاومت بهتر در برابر داده‌های پرت، برای مجموعه‌داده‌های

توضیحات بیشتر »
هوش مصنوعی

کاربرد سنسور دمای IC در مخابرات، تجهیزات پزشکی و سیستم‌های صنعتی:بخش دوم

پیشنهاد میکنیم ابتدا مقاله سنسورهای دمای IC در کاربردهای صنعتی: عملکرد، نصب و ملاحظات عملیاتی:بخش اول را مطالعه کنید سپس این مقاله را مطالعه کنید. . 6.2. کاربرد سنسورهای دمای IC در صنعت مخابرات 1.6.2.  دستگاه‌ها و محیط‌های کاربردی:     تجهیزات فعال شبکه (Active Network Equipment):     روترها، سوئیچ‌ها، فایروال‌ها:

توضیحات بیشتر »