| تعداد نشریات | 63 |
| تعداد شمارهها | 2,248 |
| تعداد مقالات | 18,514 |
| تعداد مشاهده مقاله | 57,223,319 |
| تعداد دریافت فایل اصل مقاله | 29,354,278 |
بررسی کارایی مدلهای نروفازی، شبکه عصبی و رگرسیون چندمتغیره در پیش بینی مصرف انرژی کشور | ||
| پژوهشنامه اقتصادی | ||
| مقاله 3، دوره 12، شماره 46 - شماره پیاپی 3، مهر 1391، صفحه 43-64 اصل مقاله (318.89 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حمید بابایی میبدی* 1؛ محمدحسین طحاری مهرجردی2؛ روحالله تقی زاده مهرجردی3 | ||
| 1کارشناس ارشد مدیریت صنعتی، دانشگاه یزد، پست الکترونیکی | ||
| 2کارشناس ارشد مدیریت صنعتی، جهاد دانشگاهی یزد | ||
| 3دانشجوی دکتری دانشگاه تهران و عضو هیأت علمی دانشگاه یزد | ||
| چکیده | ||
| انرژی در کنار سایر عوامل تولید، عامل مؤثری در رشد و توسعه اقتصادی تلقی میشود و در عملکرد بخشهای مختلف اقتصادی نقش چشمگیری ایفا میکند. ازاینرو، مسؤولان کشور باید تلاش کنند تا با پیشبینی دقیقتر مصرف انرژی و برنامهریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای انرژی را بهنحوی مطلوب کنترل کنند. هدف از این مقاله، بررسی کارایی مدلهای نروفازی، شبکه عصبی و رگرسیون چندمتغیره در پیشبینی مصرف انرژی کشور است. مطالعه موردی این تحقیق مربوط به انرژی مصرفی در بخش حملونقل ایران است. ازاینرو، برای بررسی حاضر، از دادههای سالانه مصرف انرژی بخش حملونقل کشور، بهعنوان متغیر خروجی مدلهای پیشبینی و از دادههای سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو بهعنوان متغیرهای ورودی مدلهای پیشبینی استفاده شد. در پایان، نتایج پیشبینی مدلهای مختلف با استفاده از شاخصهای خطای استاندارد نسبی (RSE) و میانگین خطا (ME) و مجذور میانگین مربعات خطا (RMSE) ارزیابی شدند. نتایج ارزیابی نشان داد که مدل نروفازی (ANFIS)، نسبت به سایر مدلها دارای بالاترین دقت در پیشبینی مصرف انرژی کشور است. | ||
| کلیدواژهها | ||
| مصرف انرژی؛ رگرسیون چندمتغیره؛ شبکه های عصبی مصنوعی؛ نروفازی | ||
| مراجع | ||
|
آذر، عادل و امیر افسر (1385)، مدلسازی پیشبینی قیمت سهام با رویکرد شبکههای عصبی فازی، پژوهشنامه بازرگانی، شماره 40. آذری، احمد، مجتبی شریعتی نیاسر، محمود البرزی و افشین بختیاری (1387)، برآورد میزان بار گاز مصرفی شهر تهران با استفاده از فناوری شبکههای عصبی، نشریه دانشکده فنی، دوره چهل و دوم، شماره 8. ابریشمی، حمید، حجتالله غنیمیفرد، مهدی احراری و منیژه رضایی (1389)، پیشبینی قیمت گازوییل خلیج فارس، مبتنیبر تحلیل تکنیکی و شبکههای عصبی، فصلنامه مطالعات اقتصاد انرژی، سال هفتم، شماره 24. احمدی قراچه، احسان (1385)، ارایه یک مدل شبکه عصبی مناسب برای پیشبینی قیمت نفت با در نظر گرفتن شوکهای نفتی، دانشگاه تربیت مدرس، پایاننامه کارشناسی ارشد. البرزی، محمود (1380)، آشنایی با شبکه عصبی، انتشارات علمی شریف. پورکاظمی، محمدحسین و محمدباقر اسدی (1388)، پیشبینی پویای قیمت نفت خام با استفاده از شبکههای عصبی مصنوعی و با بهکارگیری ذخیرهسازیهای نفتی کشورهای OECD، مجله تحقیقات اقتصادی، دوره چهل و چهار، شماره 88. شکیبایی، علیرضا، حسین نظامآبادیپور و سیدجعفر حسینی (1388)، پیشبینی عرضه نفت خام در یازده کشور تولیدکننده با استفاده از شبکههای عصبی و رگرسیون خطی، مجله دانش و توسعه، سال شانزدهم، شماره 27. صادقی، حسین، مهدی ذوالفقاری و مجتبی الهامینژاد (1390)، مقایسه عملکرد شبکههای عصبی و مدل ARIMAدر مدلسازی و پیشبینی کوتاهمدت قیمت سبد نفت خام اوپک (با تأکید بر انتظارات تطبیقی)، فصلنامه مطالعات اقتصاد انرژی، سال هشتم، شماره 28. فضلزاده، علیرضا و مینا تجویدی (1387)، مدیریت انرژی در صنایع ایران: مطالعه موردی: رابطه علی بین مقدار برق مصرفی و ارزشافزوده صنایع کوچک، فصلنامه مطالعات اقتصاد انرژی، سال پنجم، شماره 19. کاظمی، عالیه، محمدباقر منهاج، محمدرضا مهرگان و امین کامیاب مقدس (1384)، طراحی مدل رتبهبندی پالایشگاههای نفت کشور به روش تحلیل پوششی دادههای فازی، اولین کنگره سیستمهای فازی و خبره، دانشگاه فردوسی مشهد. مبینی دهکردی، علی، حامد حوری جعفری و عطیه حمیدینژاد (1388)، بررسی وضعیت شاخصهای مدیریت انرژی، فصلنامه راهبرد، سال هجدهم، شماره 51. منهاج، محمدباقر (1384)، مبانی شبکههای عصبی، انتشارات دانشگاه صنعتی امیرکبیر، چاپ سوم. منهاج، محمدباقر، عالیه کاظمی، حامد شکوری گنجوی، محمدرضا مهرگان و محمدرضا تقیزاده (1389)، پیشبینی تقاضای انرژی بخش حملونقل با استفاده از شبکههای عصبی: مطالعه موردی در ایران، مجله مدرس علوم انسانی، دوره چهاردهم، شماره 2. Gorr, W. L., & Nagin, D (1994), Comparative Study of Artificial Neural Network and Statistical Models for Predicting Student Grade Point Averages. International Journal of Forecasting, 10.
Jang, J (1993), ANFIS: Adaptive-Network-based Fuzzy Inference Systems. IEEE Transactions on Systems, Man, and Cybernetics. 23.
Jang, J., Sun, C., & Mizutani, E (1997), Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligance, Prentice Hall, Upper Saddle River, New Jersey, USA. Javadpour, R and Knapp, GM, (2003), A Fuzzy Neural Network Approach to Machine Condition Monitoring, J Computers and Industrial Engineering, 45.
Jebaraj, S. & Iniyanb, S (2006), A Review of Energy Model, Renewable and Sustainable Energy Reviews, 10.
Malik, F; & Nasereddin, M (2006), Forecasting Output Using Oil Prices: A Cascaded Artificial Neural Network Approach, Journal of Economics and Business, 58.
Murat, Y & Ceylan, H (2006), Use of Artificial Neural Networks for Transport Energy Demand Modeling, Energy Policy, 34.
Nasr, G.E, Badr, E.A, & Joun, C (2003), Backpropagation Neural Networks for Modeling Gasoline Consumption, Energy Conversion and Management, 44.
Sozen, A & Arcaklioglu, E (2007), Prediction of Net Energy Consumption Based on Economic Indicators (GNP and GDP) in Turkey, Energy Policy, 35.
Yu, L., Wang, S. & Lai, K. K (2008), Forecasting Crude Oil Price with an EMD-Based Neural Network Ensemble Learning Paradigm. Energy Economics, 30.
Zhang, G.P (2003), Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model, Neurocomputing, 50.
Zhang, G., & Hu, M.Y (1998), Neural Network Forecasting of The British Pound/US Dollar Exchange Rate, Omega, The International Journal of Management Science, 26.. | ||
|
آمار تعداد مشاهده مقاله: 1,700 تعداد دریافت فایل اصل مقاله: 1,315 |
||