شبکه های بازگشتی

نوسانات زیاد قیمت نفت خام به عنوان منبع اصلی انرژی و ماده اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش بینی روند قیمت آنرا دوچندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش بینی قیمت نفت خام با استفاده از الگوی های غیرخطی در هوش مصنوعی است. برای دستیابی به این هدف چهار شبکه پروسپترون ساده، شبکه بازگشتی، شبکه حافظه طولانی کوتاه مدت و شبکه عصبی واحدهای برگشتی گیت دار مدلسازی شده است سپس توانمندی آن ها نسبت به یکدیگر و مدل معیار مقایسه، و دقت پیش بینی آن ها با استفاده از روش خطای مربعات میانگین اشتباهات ارزیابی شده است. نمونه مورد مطالعه داده های نفت خام برنت دریای شمال از تاریخ 01/08/2007 لغایت 31/ 05/2024 به صورت روزانه و ماهانه و سالانه است. نتایج پژوهش نشان می دهد که معماری شبکه در این مدل ها نسبت به مدل های پیشین، در استخراج اطلاعات از داده ها توانمندتر بوده و زمان دستیابی به قیمت های آینده بهبود بخشیده شده است. همچنین از میان الگوهای غیرخطی، الگوی شبکه بازگشتی گیت دار در فرکانس های مختلف پیش بینی دقیق تر و با خطای کمتری از قیمت نفت را به دست می دهد