منابع پایان نامه ارشد با موضوع شبکه های عصبی، پیش بینی تقاضا، شبکه های عصبی مصنوعی، تقاضای انرژی

دانلود پایان نامه ارشد

و طراحی مدل ترکیبی پرداختند. نتایج تحقیق بیانگر آن است که توانایی مدل ترکیبی نسبت به تمامی روش های هوش مصنوعی و کلاسیک بالاتر است.
سارا مدقالچی، درپایان نامه کارشناسی ارشد خود در سال 1390 به پیش بینی قیمت سهام با استفاده از مدل ترکیبی شبکۀ عصبی مصنوعی و PSO پرداخت. نتایج این پژوهش نشان می دهد که مدل ترکیبی قادر به پیش‌بینی دقیق‌تری نسبت به نرم افزار کلمنتاین می باشد.
جدول ‎22. خلاصه مطالعات صورت گرفتۀ داخلی
نویسنده
سال
الگوریتم مورد استفاده
کاربرد
ابراهیم حیدری
1383
شبکه سه لایه و الگوریتم پس انتشار
پیش بینی تقاضای انرژی در ایران
احمدی قراچه
1385
شبکه های عصبی مصنوعی
پیش بینی ماهیانه قیمت نفت خام
ابریشمی و همکاران
1387
شبکه های عصبی مصنوعی
پیش بینی تقاضای انرژی
شکیبایی و همکارانش
1378
رگرسیون خطّی و شبکه های عصبی
پیش بینی تولید نفت خام
آذری و همکاران
1378
رگرسیون خطّی و شبکه های عصبی
پیش بینی مصرف گاز
مشیری و فروتن
1383
شبکه های عصبی
پیش بینی قیمت نفت
معینی و همکاران
1385
تابع پویای لجستیک
پیش بینی قیمت نفت
پورکاظمی و همکاران
1384
شبکه های عصبی مصنوعی
پیش بینی تقاضای گاز شهری
پورکاظمی و اسدی
1388
شبکه های عصبی مصنوعی و اقتصاد سنجی (ARIMA)
پیش بینی پویای قیمت نفت
منهاج و همکاران
1389
شبکه های عصبی مصنوعی
پیش بینی تقاضای بخش حمل و نقل
پورکاظمی، افسر و نهاوندی
1384
(ARIMA) و سیستم عصبی فازی
پیش بینی تقاضای اشتراک گاز شهری
مهندس و همکاران
1377
اتورگرسیو و شبکه های عصبی
پیش بینی میانگین روزانه سرعت باد
آزاده، خاکسانی و صبری
1388
رگرسیون فازی و رگرسیون سنّتی
پیش بینی تقاضای فرآورده های نفتی
آزاده، اسدزاده و قنبری
1388
سیستم استنباط عصبی – فازی تطبیقی
پیش بینی تقاضای گاز طبیعی
آزاده، صبری و آزاد منش
1390
سیستم استنباط عصبی – فازی تطبیقی
پیش بینی تقاضای نفت
آزاده و همکاران
1390
سیستم استنباط عصبی – فازی تطبیقی
پیش بینی بلند مدّت تقاضای انرژی
ایرانمنش و همکاران
1391
سیستم استنباط فازی و شبکه عصبی
پیش بینی تقاضای انرژی
غفاری و زارع
1388
تکنیک عصبی – فازی
پیش بینی قیمت نفت خام
فخرایی
1362
روش حداقل مربّعات معمولی (OLS)
مصرف فرآورده های نفتی
اصفهانی
1371
حداقل مربّعات معمولی
تخمین تابع تقاضای فرآورده های نفتی
مروری بر مطالعات انجام گرفتۀ خارجی
كانيرت و اوزترك23 (2006)، در مقاله اي با عنوان سه مدل كاربردي تكنيك هاي جستجوي الگوريتم ژنتيك(GA) در تخمين تقاضاي انرژي، به منظور برآورد تقاضاي نفت با استفاده از روش بهينه يابي الگوريتم ژنتيك، با هدف تخمين ارزش آتي تقاضا براي نفت، به ارائۀ سه مدل غير خطّي تقاضا براي نفت در تركيه، با استفاده از متغيرهاي توليد ناخالص داخلي، جمعيت، صادرات، واردات، توليد نفت، واردات نفت و ماشين سواري، ميزان فروش اتوبوس و كاميون، پرداخته اند. از اين ميان، مدلي كه متغيرهاي مستقل جمعيت، توليد ناخالص داخلي، واردات نفت و واردات و فروش كاميون را به عنوان شاخص پارامترهاي طرح به كار مي برد، با ميانگين مطلق درصد خطاي (MAPE)24 پايين تر برابر با 0.0169 در دورۀ آزمايش مدل ها، راه حل بهتري را در مشاهدۀ داده ها فراهم مي كند.
آنلر25 (2008)، در مقاله اي با عنوان “بهبود پيش بيني تقاضاي انرژي با استفاده از هوش مصنوعي، در مورد تركيه با طرح ريزي تا سال 2025 “، به منظور پيش بيني تقاضاي انرژي با استفاده از الگوريتم بهينه سازي انبوه ذرّات، (PSO) با هدف تخمين ارزش آتي تقاضاي انرژي در اين كشور ، تا سال 2025 ، به ارائۀ توابع خطّي و درجۀ دوم تقاضای انرژي در تركيه، با استفاده از متغيرهاي توليد ناخالص داخلي، جمعيت،MAPE واردات و صادرات پرداخته است. نتيجه اين كه تابع تقاضاي درجۀ دوم با MAPE پايين تر برابر با 0.008 در دوره آزمايش مدل ها راه حل بهتري را در مشاهدۀ داده ها در مقايسه با ديگر فراهم مي كند. بنابراين در اين مطالعه، قدرت الگوريتمPSO در مقایسه با دیگر الگوریتم ها، با MAPE پايين تر دورۀ آزمايش مدل ها، در پيش بيني تقاضاي انرژي تركيه به اثبات رسيده است.
كالگيرا ( 2000 )، از تكنيك شبكه هاي عصبي مصنوعي براي پيش بيني ميزان انرژي گرمايي مصرفي در ساختمان ها و پيش بيني مصرف انرژي در يك ساختمان خورشيدي غيرفعال استفاده کرد.
نصر و همكاران(2002)، نيز با استفاده از شبكه هاي عصبي به پيش بيني مصرف بنزين در كشور لبنان پرداختند.
مورات و سيلان(2005)، با استفاده از يك شبكۀ عصبي سه لايه و الگوريتم پس انتشار انرژي بخش حمل و نقل كشور تركيه را پيش بيني كردند. در بررسي آنها از شاخص هاي توليد ناخالص داخلي، جمعيت و تعداد خودرو در هركيلومتر به عنوان ورودي هاي شبكۀ عصبي استفاده شده است.
سازن و همكاران (2007)، به منظور پيش بيني مصرف فرآورده هاي نفتي در تركيه، يك مدل شبكۀ عصبي ارائه كردند. در پژوهش آنها سه مدل مختلف طراحي شد و در پايان، آنها با استفاده از معيارهاي خطا، يك مدل را به عنوان مدل مناسب براي پيش بيني مصرف فرآورده هاي نفتي در تركيه انتخاب كردند.
تحقيقات يو و همكاران (2008)، از جمله اين مطالعات است كه يافته هاي آنها حاكي از برتري شبكه عصبي بر خودرگرسيون ميانگين متحرك در پيش بيني است.
از دیگر مطالعات خارجي انجام گرفته در زمينۀ تخمين تابع تقاضا فرآورده های سوختی نفتی، مي توان به مطالعات پاگولاتوس26 (1986) اشاره كرد، كه تقاضا براي فرآورده هاي نفتي امريكا از جمله بنزين را با استفاده از روش حداقل مربعات معمولي براي دورۀ (72-1952) تخمين زد. در اين مقاله تقاضاي سرانۀ بنزين تابعي از درآمد سرانه، قيمت بنزين و تقاضاي سرانۀ بنزين در دورۀ قبل بود .
در مطالعۀ ديگري جانسون و توتو27 (1983)، تقاضاي فرآورده هاي نفتي اعضاي اوپك را با استفاده از مد ل هاي آماري و اقتصادسنجي براي سال هاي (90-1985)، پيش بيني نمودند. در اين مطالعه مصرف سرانۀ فرآورده هاي نفتي تابعي از توليد ناخالص داخلي سرانه و قيمت فرآورده هاي نفتي درنظر گرفته شده بود. نتايج اين مقاله نشان داده كه ضرايب كشش قيمتي تقاضاي بنزين از نظر آماري بي معني بوده و كشش هاي درآمدي در دامنۀ بين 0.88 تا 1.22 قرار دارد. اين دو نتيجه بيانگر بي كشش بودن تقاضاي بنزين و نرمال بودن اين كالا با توجه به كشش درآمدي است.
ادگبولوگ و دايو28 (1986)، مصرف بنزين در نيجريه را در طي سال هاي (1980-1965)، برآورد كردند. آن ها در اين مطالعه از سه مدل اقتصادسنجي با حالت هاي مختلف براي برآورد تابع تقاضاي بنزين در اين كشور استفاده كردند. در مطالعۀ فوق متغير هايي چون درآمد قابل تصرف، قيمت بنزين، قيمت سوخت هاي جانشين، كارايي و شتاب خودرو و موجودي خودروها، در ميزان مصرف مؤثر دانسته شد. نتايج مطالعۀ آنها نشان داد كه درآمد و موجودي مؤثر خودرو، توضيح دهنده هاي قوي براي مصرف بنزين هستند و با كاهش تدريجي يارانه ي بنزين، اثر نقش قيمت بنزين در مصرف آن بيش تر خواهد بود.
هالدنبيلن و سيلان29 ( 2005 )، با استفاده از سه مدل خطّي، درجۀ دو و نمايي، تقاضاي انرژي در بخش حمل و نقل تركيه را براي سال هاي (2000-1970) با به كارگيري تكنيك الگوريتم ژنتيك تخمين زدند.
سینگ و بورا30 در سال 2013، به پیش بینی شاخص سهام بر اساس M فاکتور سری زمانی فازی و الگوریتم بهینه سازی ازدحام ذرّات پرداختند. نتایج این تحقیق نشان داد که میزان دقّت و صحّت پیش بینی شاخص سهام را می توان بطور مؤثر توسط ترکیب PSO و مدل نوع 2 سری زمانی فازی بهبود داد و این مدل ترکیبی را FTS-PSO نامیدند.
حجازی31 و همکاران در سال 2013، برای انجام صحیح پیش بینی قیمت سهام از الگوریتم بهینه سازی ازدحام ذرّات استفاده نمودند، در این مطالعه الگوریتم PSO در جهت پیش بینی قیمت سهام به کار رفته است و بهترین مقادیر پارامتر ها را انتخاب می نماید تا از افتادن در بهینۀ محلّی جلوگیری نماید و صحّت پیش بینی را بالا ببرد. نتایج این تحقیق نشان می دهد که الگوریتم PSO پتانسیل بالایی در افزایش صحّت پیش بینی دارد.
جدول ‎23. خلاصه مطالعات صورت گرفتۀ خارجی
نویسنده
سال
الگوریتم مورد استفاده
کاربرد
كانيرت و اوزترك
2006
الگوریتم ژنتیک
تخمین تقاضای انرژی
آنلر
2008
الگوریتم توده ذرات
پیش بینی تقاضای انرژی
كالگيرا
2000
شبکه های عصبی مصنوعی
پیش بینی مصرف انرژی
نصر و همكاران
2002
شبکه های عصبی مصنوعی
پیش بینی مصرف بنزین
مورات و سيلان
2005
شبکه های عصبی مصنوعی
پیش بینی انرژی
سازن و همكاران
2007
شبکه های عصبی مصنوعی
پیش بینی فرآورده های نفتی
يو و همكاران
2008
شبکه های عصبی مصنوعی
تخمین تابع تقاضای انرژی
پاگولاتوس
1986
روش حداقل مربعّات معمولی
تخمین تابع تقاضای فرآورده های سوختی نفتی
جانسون و توتو
1983
مدل های آماری و اقتصادسنجی
پیش بینی تقاضای فرآورده های نفتی اعضای اوپک
ادگبولوگ و دايو
1986
مدل های اقتصادسنجی
برآورد تابع تقاضای بنزین
هالدنبيلن و سيلان
2005
ژنتیک
تقاضای انرژی در حمل و نقل
سینگ و بورا
2013
الگوریتم توده ذرات
پیش بینی شاخص سهام
حجازی و همکاران
2013
الگوریتم توده ذرات
پیش بینی قیمت سهام

جدول ‎24. عوامل مؤثر بر پیش بینی تابع تقاضای فرآورده های سوختی
Variable
Reference
Result

تعداد وسایل نقلیه

فصلنامۀ مطالعات اقتصاد انرژی
سال هفتم / شماره27 / زمستان 1389
نتایج نشان می دهد که تعداد کل وسایل نقلیه در سال 2020 تقریباً 1.5 برابر این تعداد در سال 2008 می باشد. هم چنین، نتایج حاصل از براورد تقاضای نفت در بخش حمل و نقل جاده ای برای دورۀ 2020-2009 نشان می دهد در صورتی که سیاست رشد مصرف سرانۀ وسایل نقلیه طبق روال گذشته در پیش گرفته شود، تقاضای نفت درجهان تا سال2020 به 14748 میلیون بشکه معادل نفت خواهد رسید، این در حالی است که اصلاح مصرف سوخت به میزان 20 درصد در طی یک دوره 10 ساله ، سبب می شود تا تقاضای نفت در جهان به 11601 میلیون بشکه معادل نفت برسد.
قیمت
مجله تحقیقات اقتصادی
شماره88 / پاییز 88 / صفحات 46-25
نتایج این تحقیق حاکی از آن بود که روش شبکه عصبی در مقایسه با روش ARIMA، دارای خطای کم تر در پیش بینی است.
جمعیت، تولید ناخالص داخلی، واردات
فصلنامه مطالعات اقتصادی انرژی / سال ششم / شماره 20 / بهار 1388/ صفحات159-141
یکی از معادلات پیشنهادی نمایی و دومی درجۀ دوم است. در تابع تقاضای انرژی، فرم درجۀ دوم نتایج بهتری را در مشاهدۀ داده ها فراهم می کند.
جمعیت، تولید ناخالص داخلی، تعداد خودرو
پیش بینی تقاضای انرژی بخش حمل و نقل / دوره 14/ شماره 2/ تابستان 1389
در این مقاله جهت پیش بینی از شبکه های عصبی مصنوعی و روش رگرسیون چند متغیره استفاده شده است که نتایج حاکی از آن است که شبکه های عصبی مصنوعی نشان دهندۀ خطای به مراتب کمتری نسبت به رگرسیون چند متغیره است.
جمعیت کل کشور، تولید ناخالص داخلی، تعداد خودرو
فصلنامه پژوهشنامه اقتصادی (رویکرد اسلامی-ایرانی)/سال دوازدهم/شماره 46
نتایج ارزیابی نشان داده در روش های پیش بینی مدل نروفازی (ANFIS)، نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی مصرف انرژی کشور است.
تعداد خودرو، جمعیت کل کشور، تولید ناخالص داخلی
فصلنامه علمی پژوهشی-علمی / سال هفدهم/شماره 1/بهار1391/ص 47-29
در این تحقیق از سه تکنیک شبکه عصبی فازی،شبکه عصبی ژنتیک و شبکه عصبی استفاده شده است،نتایج حاکی از آن بود که شبکه عصبی فازی از دقت بالاتری برخوردار است.همچنین از متغیرهای مربوط جمعیت کل کشور دارای بیشترین تاثیر می باشد.
قیمت، جمعیت
فصلنامه تحقیقات مدلسازی اقتصادی/ شماره10/ زمستان 1391
در این تحقیق با استفاده از الگوریتم ترکیبی عصبی-فازی و PSO به پیش بینی بلند مدت انرژی پرداخته است.نتایج این تحقیق حاکی از آن است که این دو تکنیک نتایج بهتری نسبت به روش ARIMA ارائه می‌دهد.
جمعیت، تولید ناخالص داخلی، خالص صادرات، تعداد وسایل

پایان نامه
Previous Entries منابع پایان نامه ارشد با موضوع پیش بینی تقاضا، مدل پیش بینی، بازاریابی، انحراف معیار Next Entries منابع پایان نامه ارشد با موضوع علف های هرز، بهینه سازی، الگوریتم بهینه سازی، روش تحقیق