• خرید vpn
  • ما هنـوز به فـردایی روشـن امید داریم

    صفحه اصلی » اینترنت و ای تی » تحلیل آماری و برآورد فاصله اطمینان پیش‌بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMA
    کد خبر : 2012729

    تحلیل آماری و برآورد فاصله اطمینان پیش‌بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMA

    تحلیل آماری و برآورد فاصله اطمینان پیش‌بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMAReviewed by on Feb 20Rating: چکیده:   مصرف گاز طبیعی به عنوان یکی از مهم‌ترین حامل‌های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه‌ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و…

    تحلیل آماری و برآورد فاصله اطمینان پیش‌بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMAReviewed by on Feb 20Rating:

    چکیده:  

    مصرف گاز طبیعی به عنوان یکی از مهم‌ترین حامل‌های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه‌ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش‌بینی روند آتی آن می‌باشد. با معرفی و کاربرد گسترده مدل‌های مختلف همچون شبکه‌های عصبی مصنوعی جهت برآورد روند آتی مصرف و از طرفی تصادفی بودن آن‌ها، آگاهی از دقت این مدل‌ها جهت نیل به هدف پیش‌بینی دقیق‌تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به‌کارگیری شبکه‌های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش‌بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده‌ترین بخش مصرف‌کننده، به مقایسۀ دقیق‌تر این پیش‌بینی‌ها با استفاده از باز نمونه‌گیری از نمونه‌ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم‌های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن‌ها با استفاده از روش «10-fold» حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با  استفاده از باز نمونه‌گیری با جایگذاری از ‌داده‌های اردیبهشت‌ماه ۱۳۸۱ تا اسفندماه ۱۳۸۸ به تعداد ۲۰۰۰ بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال‌های‌ 1389 و ۱۳۹۰ توسط آن‌ها پیش‌بینی و فاصله اطمینان ۹۵ درصدی برای پیش‌بینی‌ها محاسبه شد. نتایج بررسی معنی‌داری اختلاف پیش‌بینی مدل ترکیبی شبکه عصبی با مدل ARIMA  و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از  عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه‌ها بود.

    واژه‌های کلیدی: الگوریتم PSO، بوت استرپ، پیش‌بینی، شبکه‌های عصبی، گاز طبیعی

    نویسندگان:

    سید کمال صادقی، سید مهدی موسویان

    فصلنامه تحقیقات مدلسازی اقتصادی – سال پنجم، شماره ۲۰، تابستان ۱۳۹۴.

    برای مشاهده کامل مقاله روی فایل مقابل کلیک کنید.   

    کلیدواژه ها :
    دوره های نوروزی عصر شبکه

    مطالب مرتبط

    ویژه های ایران ویج

    دیدگاهها (۰)



    ;کانال تلگرام ایران ویج اصلاحات نیوز آموزشگاه مهندسی عصر شبکه

    آخرین اخبار و مطالب

    پربحث ترین های هفته

    Sorry. No data so far.