fa پیش‌بینی تقاضای تجهیزات پزشکی (سی تی اسکن) بر اساس شبکه‌های عصبی مصنوعی و روش ARIMA عمومى General پژوهشي Research <div align="justify" style="direction: rtl"> بخش بهداشت و درمان و زیرساخت‌های مورد نیاز آن هم در بخش نرم‌افزاری و هم در بخش سخت‌افزاری همواره مورد توجه بوده است. در این میان اهمیت تجهیزات و اقلام پزشکی در سیستم سلامت کشور بر هیچ‌کس پوشیده نیست. سازمان‌ها و شرکت‌های فعال در این بخش باید بتوانند تصمیمات صحیح را با توجه به اطلاعات موجود در محیط پر‌نوسان کسب و کار امروز اخذ نمایند. بنابراین، تخمین مقدار تقاضا در دوره‌های آتی موضوعی حیاتی به نظر می‌رسد. روش و ابزارهای مختلفی برای انجام پیش‌بینی تقاضا وجود دارد که هر یک مزیت‌ها و نقاط ضعف مخصوص به خود را دارند. در این مقاله با استفاده از یک شبکه عصبی مصنوعی چند لایه پیشخور با دو لایه پنهان که با الگوریتم ژنتیک به عنوان الگوریتم یادگیری آموزش داده شده است، سیستمی مقایسه‌ای با روش رایج مورد ‌استفاده در ‌پیش‌بینی (روش باکس – جنکینز) با مدل ARIMA(2,1,1) برای ‌پیش‌بینی تقاضای دستگاه سی‌تی‌اسکن ارائه شده است که با توجه به معیار سنجش دقت مدل‌ها یعنی میانگین مجذور خطا (MSE)، مدل شبکه عصبی اثربخشی و کارایی بیشتری را در مقابل با روش آریما در ‌پیش‌بینی تقاضای دستگاه سی‌تی‌اسکن با توجه به داده‌ها و اطلاعات موجود از خود نشان داده است. </div> Health sector and its infrastructure needs in both software and hardware sector has always been emphasized. Among importance of the medical equipment and items in the health system of the country is not covered on any one. Organizations and companies active in this sector should be able to take correct decisions with regard to information in the volatile business environment today on time. Thus, estimating demand in future periods seems vital. There are various methods and tools for forecasting demand that each have advantages and disadvantage its own special. In this paper, using a multilayer neural network with two hidden layers that has been learned with genetic algorithm as the learning algorithm, the comparative system with Common method used in the prediction (Box - Jenkins Method) with model ARIMA (2,1,1) has been presented for the forecasting demand CT-Scan set, that According to the measure of the accuracy of models, the mean squared error (MSE), the neural network model shown of the more effectiveness and efficiency as compared to ARIMA method according to the data and information in forecasting demand CT-Scan set. ‌پیش‌بینی تقاضا، مدل آریما، شبکه‌های عصبی مصنوعی، الگوریتم ژنتیک، تجهیزات پزشکی forecasting Demand, ARIMA Model, Artificial Neural Networks, Genetic Algorithm, Medical Equipment 171 198 http://qjerp.ir/browse.php?a_code=A-10-23-47&slc_lang=fa&sid=1 Ahmad Jafarnejad احمد جعفرنژاد jafarnjd@ut.ac.ir 1003194753284600518 1003194753284600518 Yes Mohsen Soleymani محسن سلیمانی rostam_ms@yahoo.com 1003194753284600519 1003194753284600519 No