التنبؤ باتجاهات الأنشطة الاقتصادية باستخدام السلاسل الزمنية والتعلم العميق

Abstract: Data related to economic and stock market information are widely used for representing non- stationary time series. The economy goes through different phases, from recession to growth. This project focused on models predicting total added establishments in each economic activity. It aimed to predict the number of establishments after the impact of covid- 19 and estimate the accuracy of the prediction models. Prediction models used for inexpensive, quick evaluation of the added number of existing establishments leading to business risk mitigation. The research was conducted on data extracted from ministry of human resource and social development database. Therefore, the carried- out analysis highlights four activities under examination to capture the significance changes. These activities are construction, health, accommodation and information technology. In this study, five time series models are selected and applied to the business data describing expansion and recession. After model performance evaluation, deep learning models with respect to sliding window approach to predict short term values are recommended and perform better than traditional models. LSTM outperforms the other models in health with 18.22 RMSE and 90.65 RMSE for the information technology. DNN with two hidden layers got the best RMSE for accommodation and construction activities which is equal to 183.98 and 1387.78 respectively. Such work indicates that predicting overall added establishments may assist investors and companies in making economic choices, such as when to invest, increase, or reduce production.

Keywords: Time series forecasting, Establishments, Economic, Covid- 19, ARIMA, Deep learning.

المستخلص: تُستخدم البيانات المتعلقة بالاقتصاد ومعلومات سوق الأوراق المالية، على نطاق واسع لتمثيل السلاسل الزمنية غير الثابتة. يمر الاقتصاد بمراحل مختلفة، من الركود إلى النمو. يركز هذا المشروع على نماذج تتنبأ بإجمالي المنشآت المضافة في كل نشاط اقتصادي، بحيث يهدف إلى التنبؤ بعدد المنشآت بعد تأثير كوفيد- 19 وتقدير دقة نماذج التنبؤ. تم استخدام نماذج التنبؤ لإجراء تقييم سريع وغير مكلف للعدد الإضافي من المؤسسات الموجودة مما أدى إلى التخفيف من مخاطر الأعمال. تم إجراء البحث على بيانات مستخرجة من قاعدة بيانات وزارة الموارد البشرية والتنمية الاجتماعية. لذلك، سلط التحليل الذي تم إجراؤه الضوء على أربعة أنشطة قيد الدراسة لتحديد التغييرات المهمة، هذه الأنشطة هي البناء والصحة والإقامة وتكنولوجيا المعلومات. في هذه الدراسة، تم اختيار خمسة نماذج سلاسل زمنية وتطبيقها على بيانات الأعمال التي تصف التوسع والركود. بعد تقييم أداء النماذج، يوصى باستخدام نماذج التعلم العميق فيما يتعلق بنهج النافذة المنزلقة للتنبؤ بالقيم قصيرة المدى حيث إنها تؤدي أداءً أفضل من النماذج التقليدية. يتفوق LSTM على النماذج الأخرى لنشاط الصحة بما يساوي 18.22 RMSE وبما يساوي 90.65 لتكنولوجيا المعلومات. حصلت DNN مع طبقتين مخفيتين على أفضل RMSE لأنشطة الإقامة والبناء بما يساوي183.98 و1387.78 على التوالي. يعطي هذا العمل مؤشرًا على أن التنبؤ بالمؤسسات المضافة بشكل عام قد يساعد المستثمرين والشركات في اتخاذ الخيارات الاقتصادية، مثل وقت الاستثمار أو زيادة الإنتاج أو تقليله.

الكلمات المفتاحية: التنبؤ بالسلاسل الزمنية، المؤسسات، الاقتصاد، التعلم العميق، كوفيد- 19.