هوش مصنوعی و یادگیری ماشین که به عنوان یکی از داغ‌ترین ترند‌های تکنولوژی شناخته می شوند، تقریبا در هر چیزی وارد شده و می توانند نقش پر رنگی را در زندگی روزمره ما داشته باشند. دو سه سال پیش که این فناوری تازه به صورت ملموس و امروزی مطرح شده بود، عمده افراد فکر می کردند که در حد یک موضوع تحقیقاتی باقی می ماند و برخی نیز تصور می کردند آنچه که در فیلم‌های آخرالزمانی می دیدیم، نزدیک است.
اما حقیقت طور دیگری رقم خورد و اکنون ابزار‌هایی داریم که از انجام تکالیف ساده دوره ابتدایی گرفته، تا پیش بینی قیمت میلگرد و مقاطع فولادی ساختمانی را برای ما انجام می دهد. در این مقاله قصد داریم در مورد اینکه یادگیری ماشین چطور می تواند با پیش بینی قیمت فولاد به ما کمک کند، صحبت کنیم.
پیش بینی قیمت میلگرد تا چه اندازه می تواند مهم باشد!؟
صنعت ساختمان را می توان یکی از حوزه‌هایی دانست که گردش مالی بسیار بالایی دارد و حتی در صورتی که رکود بازار مسکن و مواردی از این دست را هم در نظر بگیریم، باز نمی توانیم منکر هزینه‌های بالای ساخت و ساز شویم. خیلی از هزینه‌هایی که در این خصوص وجود دارد، قابل کاهش نیستند؛ اما بخش‌هایی وجود دارند که با یک بررسی ساده و کمی خوش فکری می توان آنها را تا حد قابل توجهی کم کرد.
یکی از این موارد هزینه‌های خرید آهن آلات است که به دلیل بازار پرنوسانی که دارد، درک این موضوع که چه زمانی می توان چه انتظاری را از بازار داشت، به یک موضوع مهم تبدیل شده است و ارزش اینکه بخواهیم ابزار‌های کمکی مانند یادگیری ماشین را وارد ماجرا کنیم دارد.
یکی از مقاطع فولادی مهم که در خیلی از سازه‌ها با وزن‌های زیادی مصرف می شود میلگرد است! اصلی‌ترین کاربرد میلگرد در یک ساختمان، مسلح کردن بتن و افزایش مقاومت سازه در برابر نیروهای کششی است؛ اما می توان کاربرد‌های دیگری مانند تقویت سایر بخش‌های سازه، استفاده در نما و... را هم به لیست کاربرد‌های آن اضافه کرد.
این موضوع به حدی مهم است که سهم میلگرد از هزینه کلی پروژه را به 15 تا 30 درصد از کل هزینه‌های ساخت رسانده است. البته این مقدار به صورت میانگین بوده و در پروژه‌های بزرگ می تواند سهم خیلی بیشتری داشته باشد.
نقش یادگیری ماشین در پیش بینی قیمت میلگرد
در شرایط عادی و معمولی شاید یک پیمانکار با تجربه که مدتی در این بازار فعالیت کرده باشد بتواند به شکل خوبی روند تغییرات قیمت را دنبال کند و خرید‌های خوبی داشته باشد. اما باید گفت در شرایط فعلی عواملی که می توانند روی بازار تاثیر بگذارند آنقدر زیاد بوده و اتفاقات غیر منتظره در شرایط فعلی به حدی بالاست که روند افزایش قیمت را، نه تنها در ایران، بلکه در سطح جهانی به یک روند کاملا غیر خطی تبدیل کرده است.
در صورتی که پیمانکاران راه حلی داشته باشند که بتوانند یک پیش بینی کلی از روند افزایش قیمت فولاد، و همینطور روند تولید در بازار‌های جهانی بدست آورند می توانند با یک ارزیابی جامع و خرید به موقع این هزینه‌ها را به صورت چشمگیری کاهش دهند.
اینجاست که یادگیری ماشین می تواند وارد شده و حجم عظیمی از داده‌هایی که شاید از دید انسانی پنهان بماند را بررسی کرده و بقای اقتصادی پروژه را تضمین کند. در ادامه در مورد کارهایی که در این خصوص انجام شده است بیشتر صحبت خواهیم کرد.
نمونه‌های عملی پیش بینی قیمت میلگرد با یادگیری ماشین
پروژه‌های پیش بینی قیمت به کمک یادگیری ماشین چند سالی هست که در زمینه‌های مختلف انجام می شود، اما به دلایل مختلف، نتایج آنها چندان قابل اعتماد نبوده و درصد خطا در آنها کمی بالا است. همین موضوع باعث شده است که استفاده از آنها فراگیر نشود. موفق‌ترین انواع مدل‌های یادگیری ماشین، که برای پیش بینی قیمت میلگرد به صورت تحقیقاتی و عملیاتی ارائه شده اند، و می توان گفت نتایج قابل قبولی داشته، از این قرارند:
پیش بینی قیمت میلگرد به صورت منطقه ای با مدل LSTM
این مورد را می توان یکی از نمونه‌های نسبتا موفق برای پیش بینی قیمت میلگرد به کمک یادگیری ماشین دانست که در سال 2023 در دانشگاه پکن انجام شد. در این روش از یک الگوریتم LSTM برای تشخیص استفاده شده است.
این الگوریتم‌ها که در فارسی آنها را با نام حافظه طولانی کوتاه مدت می شناسیم، نوعی از پردازش‌های عصبی بازگشتی هستند، که ویژگی اصلی آنها قابلیت رهگیری و درک داده‌های دنباله دار (مانند قیمت میلگرد درطول چند سال) است.
این الگوریتم که با داده‌های قیمتی ده ساله آموزش داده شده بود، کارایی قابل قبولی را از خود نشان داد و توانست اختلاف قیمت این مقطع فولادی را در مناطق مختلف چین با دقت 72.3 درصد درست پیش بینی کند.
استفاده از مدل‌های ANN-GARCH برای بررسی نوسان
یکی دیگر از مواردی که برای بررسی قیمت انجام شد، استفاده از سری زمانی مالی با مدل ترکیبی ANN-GARCH بود که نتایج خوب و قابل قبولی ارائه داد. در این روش که با هدف پیدا کردن نوسانات قیمت انجام شد، به جای پیش بینی قیمت میلگرد و سایر مقاطع فولادی، نوسان‌های ممکن برای این بازار پیدا شد و این مدل توانست با دقت بالایی این نوسانات را نه تنها در بازار فولاد، بلکه برای فلزات گرانبها نیز پیدا کند و به استفاده‌های تجاری برسد.
نکته مهم در این تحقیق بازه زمانی کوتاه برای پیش بینی است. در واقع این الگوریتم یادگیری ماشین می تواند با در اختیار داشتن قیمت‌های دوره‌های 14 روزه و 28 روزه قبلی، میزان نوسانات روزهای آتی را پیش بینی کند که برای شرایط پر نوسان امروزی نیز مناسب است.
پیش بینی قیمت میلگرد با مدل‌های هیبریدی ترکیبی
یک نمونه موفق دیگر که توانست به اختلاف 10 درصدی با قیمت واقعی دست پیدا کند، تحقیقی دیگر از چین بود که با در نظر گرفتن متغیر‌های مختلف و بیشتر روی قیمت میلگرد کار می کرد.
در این تحقیق یک دسته بندی کلی از عواملی که می توانستند روی قیمت میلگرد تاثیر بگذارند انجام شد و بعد از آن هر دسته از اطلاعات با الگوریتم‌هایی مانند LSTM، VMD-SSA و VMD/EEMD به صورت مجزا بررسی شده و نتایج به دست آمده با هم ترکیب شد. نتیجه کلی این کار کاهش سطح خطا در سطحی قابل قبول بود و اختلاف رقم واقعی و رقم پیش بینی شده به حداقل رسید.
بهترین فناوری‌ها برای پیش بینی قیمت میلگرد
برای اینکه یک روش خوب برای پیش بینی قیمت میلگرد انتخاب کنیم، موارد متعدد و زیادی وجود دارد که باید بررسی شود. اکثر روش‌هایی که می توانند پیش بینی‌های واقع گرایانه و با دقت بالا ارائه دهند، در این مورد چندان عملکرد بالایی ندارند و با مشکلات مختلفی همراه هستند و دلیل اصلی آن هم داده‌های پر نوسان و عوامل مداخله گر متنوع است. حتی در خیلی از موارد، لیست‌های قیمت مناسبی هم برای آموزش مدل‌های مختلف وجود ندارد که بتواند پروسه یادگیری ماشین را تکمیل کند.
با تمام این شرایط، مدل‌های ترکیبی مختلفی وجود دارند که می توانند در این پیش بینی‌ها عملکرد قابل قبولی را از خود نشان دهند. در صورتی که بخواهیم بهترین فناوری برای این منظور را معرفی کنیم، موارد عنوان شده در جدول زیر می توانند گزینه‌های ایده آلی برای بررسی‌های آتی باشند:
|
فناوری / روش |
نوع |
کاربرد در پیش بینی قیمت میلگرد |
توضیحات |
|---|---|---|---|
|
شبکه عصبی ساده (ANN) |
یادگیری ماشین |
مدل سازی غیرخطی بین شاخص‌های اقتصادی و قیمت |
توانایی یادگیری روابط پیچیده، نیازمند داده زیاد و زمان آموزش بالا |
|
شبکه‌های بازگشتی (RNN) |
یادگیری عمیق |
پیش بینی قیمت سری‌های زمانی بلندمدت |
یادگیری وابستگی‌های زمانی، حساس به طول دنباله و مشکل گرادیان |
|
مدل LSTM / GRU |
یادگیری عمیق |
دقت بالا در پیش بینی روند قیمت میلگرد |
مدیریت حافظه طولانی مدت، مناسب سری‌های پیچیده، نیازمند منابع محاسباتی قوی |
|
مدل Random Forest |
یادگیری ماشین درختی |
تحلیل اثر عوامل مختلف بر قیمت |
مقاوم در برابر نویز، تفسیر پذیرتر از شبکه‌های عصبی، عملکرد کمتر در الگوهای زمانی خیلی پیچیده |
|
مدل XGBoost / LightGBM |
یادگیری ماشین پیشرفته |
پیش بینی قیمت با داده‌های اقتصادی و بازار |
سرعت و دقت بالا، کنترل Overfitting، نیاز به تنظیم دقیق پارامترها |
|
مدل‌های هیبرید (ANN-GARCH و VMD-LSTM) |
ترکیبی |
پیش بینی دقیق قیمت و نوسان بازار |
ترکیب مزایای چند مدل، دقت بالا، پیچیدگی پیاده سازی و نیاز به تخصص |
|
مدل‌های استکینگ / Ensemble |
ترکیبی |
ترکیب خروجی چند مدل برای بهبود دقت نهایی |
افزایش پایداری و کاهش خطای پیش بینی، نیاز به داده زیاد و طراحی دقیق |
پیش بینی قیمت میلگرد در ایران
یکی از اصلی‌ترین و مهمترین سوالاتی که در اینجا ایجاد می شود این است که برای پیش بینی قیمت میلگرد یا سایر مقاطع فولادی در ایران هم می توان از روش‌های گفته شده استفاده کرد!؟ در این خصوص باید گفت که بله می توان این کار را انجام داد.
امروزه با توجه به رشد محصولات حوزه آی تی ایرانی(سوئیچ شبکه و...) این موارد به راحتی قابل پیاده سازی هستند، ولی مشکلات و چالش‌های مختلفی برای این موضوع وجود دارد. حتی اگر اتفاقات عجیب و غریب، شرایط جنگی و خیلی از موارد سریع و غیر معقول دیگر را کنار بگذاریم، باز هم استفاده از الگوریتم‌های یادگیری ماشین، پیش نیازهایی را لازم دارند، که در ایران نمی توان چندان دسترسی منسجمی به آنها داشت.
مهمترین اطلاعاتی که برای آموزش الگوریتم‌های یادگیری ماشین در این خصوص نیاز داریم، این موارد هستند:
- متغیر‌های کلان اقتصادی: ساز و کار اقتصادی ایران و عوامل اصلی ای که می توانند روی قیمت فولاد تاثیر داشته باشند، مانند نرخ تورم، سیاست‌های مالی دولت، میزان مالیات‌ها و پیش بینی مقدار افزایش آنها، سرمایه گذاری دولت در ساخت و ساز و... تاثیر مستقیمی روی روند افزایش قیمت خواهند داشت که پیدا کردن این اطلاعات به صورت شفاف و در اختیار الگوریتم قرار دادن آنها اگر غیر ممکن نباشد، بسیار دشوار خواهد بود!
- بررسی هزینه‌های تولید: قیمت سنگ آهن، قراضه، فروآلیاژها، هزینه‌های انرژی برای تولید (برق، گاز، آب و...)، نیروی کار، حمل و نقل مواد اولیه و مواردی از این دست می توانند از مهمترین عواملی باشند که برای پیش بینی قیمت به آنها نیاز داریم.
- شرایط تولید منظم: بررسی روند تولید در کارخانه‌های فولاد به صورت بدون وقفه نیز یکی از موارد مهم است که باید جدی گرفته شود. هر گونه توقف یا کاهش تولید می تواند منجر به افزایش قیمت شده و بازار فولاد را دستخوش تغییر قرار دهد. مواردی مانند عرضه منظم مواد اولیه در بورس کالا و همینطور رفع مشکلات ناترازی انرژی در این مورد نقش پررنگی دارد.
- قیمت فولاد در بازار جهانی: یکی از مهمترین عوامل که می تواند در پیش بینی قیمت میلگرد مهم باشد، افزایش قیمت در بازار‌های جهانی است که تاثیری سریع و قاطع روی بازار فولاد دارد. پس باید گفت الگوریتم‌های یادگیری ماشین ما علاوه بر موارد داخلی باید روی این موضوع نیز آموزش ببینند و تغییرات آن را دنبال کنند.
- عرضه و تقاضا در بازار: برای پیش بینی قیمت میلگرد درک این موضوع که بازار ساخت و ساز در چه مسیری حرکت می کند یک موضوع مهم است. خیلی از قیمت‌ها در زمان ورود به فصل رکود ساخت و ساز‌ها (با شروع پاییز) با کاهش قیمت همراه خواهند بود و این موضوع برای پیش بینی صحیح اهمیت بالایی دارد.
در صورتی که ما سیستمی داشته باشیم که بتواند این موارد را در کنار هم در نظر بگیرد و همینطور داده‌های آماری مناسبی را برای آموزش آن در اختیار داشته باشیم که همه موارد را صحیح و بدون اشتباه ارائه دهد، می توانیم امیدوار باشیم که الگوریتم‌های یادگیری ماشین بتوانند روند درستی از قیمت میلگرد در ماه‌های آتی را در اختیار ما قرار دهند.
همین شرایط سخت باعث شده که بررسی تجربی بازار بتواند عملکرد بهتری داشته باشد. به همین دلیل هم خیلی از پیمانکاران یک مشاوره تخصصی از یک بنگاه معتبر را به استفاده از این ابزار‌ها ترجیح می دهند.
نتیجه گیری
پیش بینی قیمت میلگرد به عنوان یکی از مقاطع فولادی پر مصرف در ساخت و ساز، می تواند هزینه کلی پروژه را تا اندازه زیادی کاهش دهد و همین موضوع باعث شده که تحقیقات گسترده ای برای به کارگیری یادگیری ماشین در این خصوص انجام شود و نتایج نسبتا قابل قبولی هم در برخی از مدل‌ها مشاهده شود.
اما باید گفت از آنجا که متغیر‌های تاثیر گذار روی قیمت میلگرد بخصوص در بازار ایران بسیار زیادند، هنوز سیستمی که بتواند این کار را به صورت قابل اعتماد برای ما انجام دهد وجود ندارد و مشاوره از بنگاه‌های معتبر گزینه بهتری است. در صورتی که در مورد این موضوع نظر و یا تجربه ای داشتید، خوشحال می شویم آن را با ما و سایر کاربران در میان بگذارید.
سلب مسئولیت: مطالب منتشرشده در دسته رپورتاژ آگهی توسط شرکت‌های ثالث تهیه شده و جنبه تبلیغاتی یا بیانیه خبری دارند. این مطالب صرفاً بازنشر شده و شهرسخت‌افزار مسئولیتی در قبال صحت محتوای آن ندارد.
نظر خود را اضافه کنید.
برای ارسال نظر وارد شوید
ارسال نظر بدون عضویت در سایت