عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش های مختلف (ایران-1380-1389) (مقاله علمی وزارت علوم)

درجه علمی: نشریه علمی (وزارت علوم)

نویسندگان: حمید ابریشمی فرخنده جبل عاملی معصومه ابوالحسنی افشین جوان
منبع: مطالعات اقتصادی کاربردی ایران سال 3 زمستان 1393 شماره 12

کلید واژه ها: پیش بینی تقاضای گاز طبیعی شبکه عصبی GMDH ARIMA

حوزه های تخصصی:
شماره صفحات: ۳۳ - ۵۸
دریافت مقاله   تعداد دانلود  :  ۸۳

آرشیو

آرشیو شماره ها:
۴۹

چکیده

باتوجه به افزایش روزافزون مصرف گاز طبیعی، برنامه ریزی در بخش گاز طبیعی و بررسی و پیش بینی تقاضای گاز طبیعی جهت دستیابی به امنیت عرضه انرژی گاز طبیعی و به دنبال آن توسعه پایداراهمیت فراوانی دارد. از این رو در این تحقیق تقاضای گاز طبیعی در بخش های خانگی-تجاری، صنعت و نیروگاه که جزء مصرف کنندگان عمده گاز طبیعی هستند مورد بررسی قرار گرفته و از دو روش ARIMA (Autoregressive Integrated Moving Average) و شبکه عصبی GMDH (Group Method of Data Handling) برای پیش بینی تقاضای گاز طبیعی و از معیارهای MSE (Mean Squared Error)، RMSE (Root Mean Squared Error)، درصد خطای پیش بینی و دقت پیش بینی جهت مقایسه دو روش استفاده شده است. با توجه به نتایج، دقت پیش بینی به ترتیب در سه بخش خانگی - تجاری ، صنعتی و نیروگاه در روش ARIMA 8/93، 3/98 و 87 درصد و در روش شبکه عصبی GMDH 4/96، 99 و 2/98 درصد بدست آمده است و معیارهای RMSE و MSE در هر سه بخش برای روش شبکه عصبی GMDH کوچکتر از روش ARIMA بوده است. از این رو می توان نتیجه گرفت که با توجه به مدلسازی صورت گرفته، روش شبکه عصبی GMDH عملکرد و دقت بالاتری نسبت به روش ARIMA در پیش بینی تقاضای گاز طبیعی دارد.

Performance of ARIMA and Neural Network GMDH approaches in prediction of natural gas demand in various sectors (Iran-1380-1389)
Natural gas because of its advantages plays a key role in economy of Iran. Given the continuously rising natural gas consumption, planning in the gas sector by taking into account predicted demand is critical for ensuring sustainable development. In this study we develop models for predicting natural gas demand in residential-commercial, industrial and power plant sectors in Iran using ARIMA (Autoregressive Integrated Moving Average) and Neural Network GMDH(Group Method of Data Handling) approaches. The time series data of natural gas demand, natural gas price and air temperature are used as the model variables. the RMSE, MSE and Prediction Error Percentage indexes are used for comparing this models. The prediction accuracy percentage index for residential-commercial, industrial and power plant sectors in ARIMA method are 93.8, 98.3 and 87 percent and those in Network GMDH method are 96.4, 99 and 98.2 percent respectively. The results indicate better performance and accuracy for the GMDH approach compared to the ARIMA model in predicting natural gas demand.

تبلیغات