ViraScience.
Article

پیش بینی مصرف انرژی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی و مقایسه آن با الگوهای سنتی

سیدحیدر میرفخرالدینی، حمید بابایی میبدی، علی مروتی شریف آبادی

Abstract

طی دهه های اخیر، انرژی در کنار سایر عوامل تولید نقش تعیین کننده ای در رشد اقتصادی کشورها داشته و اهمیت آن همچنان رو به افزایش است. وابستگی روزافزون به انرژی موجب تعامل این بخش با سایر بخشهای اقتصادی شده و سرعت در روند رشد و توسعه ی اقتصادی را وابسته به سطح مصرف انرژی کرده است، به طوری که طی دهه های اخیر، رشد اقتصادی جهان و روند صنعتی شدن، موجب افزایش تقاضا و مصرف انرژی شده است. در این صورت به منظورکنترل پارامترهای عرضه و تقاضای انرژی و برنامه ریزی صحیح در هدایت مصرف آن بایستی مصرف انرژی را به صورت دقیق پیش بینی نمود. هدف از این مقاله کاربست مدل ترکیبی شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی مصرف انرژی ایران می باشد. لذا در این بررسی، از داده های سالانه مصرف انرژی کشور به عنوان متغیر خروجی مدل پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی، واردات و صادرات به عنوان متغیرهای ورودی مدل های پیش بینی استفاده شده است. در پایان به منظور مقایسه نتایج پیش بینی مدل ترکیبی مذکور با مدل های شبکه ی عصبی و رگرسیون چند متغیره، از شاخص های ارزیابی خطای استاندارد نسبی (rse)، میانگین خطا (me) و مجذور میانگین مربعات خطا (rmse) استفاده شد. نتایج ارزیابی نشان داد که الگوی ترکیبی شبکه های عصبی و الگوریتم ژنتیک (ann-ga)، نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی مصرف انرژی کشور می باشد.

Similar items

  • پیش بینی مصرف انرژی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی و مقایسه آن با الگوهای سنتی

    Article2021پژوهش های مدیریت در ایرانسیدحیدر میرفخرالدینی، حمید بابایی میبدی، علی مروتی شریف آبادی

    طی دهه های اخیر، انرژی در کنار سایر عوامل تولید نقش تعیین کننده ای در رشد اقتصادی کشورها داشته و اهمیت آن همچنان رو به افزایش است. وابستگی روزافزون به انرژی موجب تعامل این بخش با سایر بخشهای اقتصادی شده و سرعت در روند رشد و توسعه ی اقتصادی را وابسته به سطح مصرف انرژی کرده است، به

  • شناسایی دستکاری قیمت سهام از طریق مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی مصنوعی و مدل SQDF

    Article2016راهبرد مدیریت مالیبهروز عطایی، شهاب الدین شمس

    هدف این پژوهش، شناسایی دستکاری قیمت سهام در بورس اوراق بهادار تهران می­باشد که از طریق مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی (ANN-GA)[1] و مدل تابع تفکیکی درجه دوی تعدیل شده (SQDF)[2] انجام گرفته است. در این پژوهش از متغیرهای قیمت، حجم معاملات و سهام شناور آزاد برای تطبیق نت

  • مدل سازی الگوریتم ژنتیک - شبکه عصبی مصنوعی جهت پیش گویی اثر ضدباکتریایی رنگ آناتو بر جمعیت اشریشیا کلای

    Article2016علوم و صنایع غذایی ایرانمحمود یلمه، محمدباقر حبیبی نجفی، فخرالدین صالحی

    چکیده هدف از این مطالعه بکارگیری مدل­سازی الگوریتم ژنتیک-شبکه عصبی مصنوعی به منظور پیش­گویی اثر ضدباکتریایی رنگ آناتو موجود در سس مایونز بر جمعیتاشریشیا کلای می باشد. آناتو در مواد غذایی دارای فعالیت ضدمیکروبی و آنتی­اکسیدانی می باشد. رنگ آناتو استخراج و پس از فیلتراسیون و تغلیظ،

  • پیش ‏بینیِ بارندگی ماهانه با استفادة مستقیم از موجک و شبکة عصبی موجکی

    Article2015مرتع و آبخیزداریابوالفضل مساعدی، احمد فاخری فرد، امیر احمد دهقانی، پریوش طوفانی

    برآورد و پیش‏‏بینی بارش اهمیت ویژه‏ای دارد. به دلیل نبود قطعیت، هیچ ‏یک از مد‏ل‏های آماری و مفهومی نتوانسته‏اند به منزلة یک مدل برتر در الگوسازی دقیق بارش شناخته شوند. اخیراً، به کاربردِ موجک در آنالیز سیگنال‏ها و سری‏های زمانی در هیدرولوژی توجه شده‏ است. در این تحقیق، سیگنال بار

  • پیش ‏بینیِ بارندگی ماهانه با استفادة مستقیم از موجک و شبکة عصبی موجکی

    Article2016مرتع و آبخیزداریپریوش طوفانی، احمد فاخری فرد، ابوالفضل مساعدی، امیر احمد دهقانی

    برآورد و پیش‏‏بینی بارش اهمیت ویژه‏ای دارد. به دلیل نبود قطعیت، هیچ ‏یک از مد‏ل‏های آماری و مفهومی نتوانسته‏اند به منزلة یک مدل برتر در الگوسازی دقیق بارش شناخته شوند. اخیراً، به کاربرد موجک در آنالیز سیگنال‏ها و سری‏های زمانی در هیدرولوژی توجه شده‏ است. در این تحقیق، سیگنال بارن

  • پیش بینی بیماری قلبی با استفاده از تکنیک داده کاوی شبکه عصبی

    Article2017مجله دانشگاه علوم پزشکی ایلاممریم کاظمی، حسین مهدی زاده، اردشیر شیری

    Abstract Introduction Introduction Data mining refers to the study and analysis of large amounts of data for discovering meaningful patterns and rules. Mainly through the models and algorithms, data mining puts the inputs in a specific order. Data mining techniques sometimes lead