مطالعه تطبیقی روش های ARIMA و شبکه های عصبی مصنوعی در پیش بینی نیاز داخلی برق کشور
Authors: not saved
Abstract:
آگاهی از میزان تقاضای انرژی برق در هر دوره، به منظور برنامه ریزی دقیق، برای اعمال سیاست گذاری های لازم، امری ضروری است. از این رو پیش بینی تقاضای آن برای بخش های مختلف اقتصادی حائز اهمیت است. امروزه از بین روش های پیش بینی، شبکه های عصبی مصنوعی، در زمینه تجزیه و تحلیل و مدل سازی روابط غیرخطی یکی از ابزار قدرتمند به حساب می آید که استفاده از آن در سال های اخیر در اقتصاد کلان گسترش یافته است. از این رو در این پژوهش کارایی مدل غیرخطی شبکه عصبی با مدل خطی فرایند ARIMA برای پیش بینی متوسط ماهانه نیاز داخلی برق کشور، برای یک دوره 3 ساله با استفاده از معیارهای MSE، RMSE، NMSE، MAE،MAPE و R2 مقایسه شده است. یافته ها نشان می دهد که شبکه عصبی مصنوعی دارای ضریب خطای کمتر و قدرت توضیح دهندگی بالایی نسبت به مدل AROMA، است.
similar resources
مطالعه تطبیقی روش های arima و شبکه های عصبی مصنوعی در پیش بینی نیاز داخلی برق کشور
آگاهی از میزان تقاضای انرژی برق در هر دوره، به منظور برنامه ریزی دقیق، برای اعمال سیاست گذاری های لازم، امری ضروری است. از این رو پیش بینی تقاضای آن برای بخش های مختلف اقتصادی حائز اهمیت است. امروزه از بین روش های پیش بینی، شبکه های عصبی مصنوعی، در زمینه تجزیه و تحلیل و مدل سازی روابط غیرخطی یکی از ابزار قدرتمند به حساب می آید که استفاده از آن در سال های اخیر در اقتصاد کلان گسترش یافته است. از ...
full textمطالعه تطبیقی روش های خطی ARIMA و غیر خطی شبکه های عصبی فازی در پیش بینی تقاضای اشتراک گاز شهری
اطلاع از میزان تقاضای موجود در هر دوره یکی از مباحثی است که شرکت ملی گاز در راه پاسخگویی به مراجعان به آن نیاز دارد.عدم اطلاع از میزان تقاضای اشتراک سبب ایجاد مشکلاتی مانند عدم آگاهی از تعداد پیمانکاران مورد نیاز و همچنین فقدان برنامه کنترل موجودی مناسب برای انواع کنتورهای موردنیاز و دیگر عوامل مرتبط می شود. در چند دهه گذشته،اقتصاددانان و علمای مدیریت برای براورد تقاضا غالباً از روش های اقتصادس...
full textمدلسازی و پیش بینی صادرات آبزیان دریایی در ایران با استفاده از روش ARIMA و شبکه های عصبی مصنوعی
هدف اصلی این مقاله، مدلسازی و پیش بینی میزان صادرات آبزیان دریایی در ایران است. برای این منظور، از روش های سری زمانی خود توضیح جمعی میانگین متحرک(ARIMA) و شبکه عصبی مصنوعی استفاده می شود. به منظور انجام بررسی، از داده های ماهانه دوره 1374:03 تا 1387:12 برای برآورد و آموزش مدل و از داده های دوره از 1388:01 تا 1390:12 به منظور بررسی قدرت پیش بینی مدل های مختلف استفاده می شود. در این مطالعه، معیار...
full textپیش بینی تولید آبزیان دریایی در ایران با استفاده از روش ARIMA و شبکه عصبی مصنوعی
پیشبینی پدیدههای اقتصادی ساختاری فراهم میکند تا مدیران و مسؤلان اقتصادی را در گرفتن تصمیم‌های درست یاری دهد. هدف اصلی این مطالعه پیشبینی مقدار تولید آبزیان دریایی در ایران است. برای این منظور از روشهای سری زمانی خود توضیح جمعی میانگین متحرک (ARIMA)[1] و شبکه عصبی مصنوعی[2] استفاده میشود. در این مطالعه سه ساختار گوناگون شبکه عصبی شامل شبکه عصبی پیشرو[3]، تابع پایه شعاعی[4] و المن[5] بکار ...
full textکاربرد شبکه های عصبی مصنوعی در پیش بینی بارش زمستانه
پیشبینی بارش یکی از مهم‌ترین مسائل در زمینه مدیریت بهینه منابع آب در بخش‌های مختلف نظیر صنعت، شرب و کشاورزی است. پیش بینی بارش می تواند باعث جلوگیری از تلفات و خسارات ناشی از بلایای طبیعی شود. هدف از تحقیق حاضر پیشبینی بارش زمستانه استان خراسان رضوی با استفاده از شبکههای عصبی مصنوعی می‌باشد. بدین منظور، ابتدا سری زمانی بارش متوسط منطقه‌ای به روش کریجینگ در طول دوره آماری به دست آورده شد. سپس...
full textپیش بینی قیمت نفت با دو روش arima و شبکه های عصبی مصنوعی
توانایی کمنظیر شبکههای عصبی مصنوعی به عنوان ابزاری قدرتمند برای تحلیل و برآورد در حوزه علوم تجربی و مهندسی موجب شد تا مورد توجه اقتصاددانان قرار گیرد. در این پژوهش، پس از مرور پژوهشهای انجامشده در مورد توانایی پیشبینی مدلهای خود توضیح جمعی میانگین متحرک (arima)[1]و شبکههای عصبی مصنوعی(ann)[2] به مقایسه این دو روش برای پیشبینی قیمت روزانه نفت در دوره آوریل 1983 تا ژوئن 2005 پرداختهایم. ...
full textMy Resources
Journal title
volume 13 issue 41
pages 107- 121
publication date 2010-01-21
By following a journal you will be notified via email when a new issue of this journal is published.
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023