دانلود PDF مقاله عملکرد دو روش ARIMA  و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش های مختلف ایران حمید ابریشمی 25 صفحه پی دی اف
نوع فایل
PDF
حجم فایل
1MB
فروشنده
تاریخ انتشار
14 آذر 1403
تعداد بازدیدها
36 بازدید
10,000 تومان

ARIMA (مدل خود رگرسیو میانگین متحرک یکپارچه) یک روش آماری است که برای پیش‌ بینی سری‌ های زمانی استفاده می‌ شود. این روش با تحلیل داده‌ های تاریخی و شناسایی الگوهای موجود در آن‌ ها، می‌ تواند پیش‌ بینی‌ های دقیقی برای تقاضای گاز طبیعی ارائه دهد. ARIMA به ویژه در داده‌ های فصلی و روندهای بلند مدت موثر است.  شبکه عصبی GMDH (Generalized Multilayer Perceptron) یک روش یادگیری ماشین است که به صورت خودکار ساختار شبکه را از داده‌ ها استخراج می‌ کند. این روش می‌ تواند روابط غیر خطی پیچیده بین ورودی‌ ها و خروجی‌ ها را شناسایی کند. مزایای آن شامل انعطاف‌ پذیری بالا، قابلیت یادگیری از داده‌ های بزرگ و توانایی مدل‌ سازی روابط پیچیده است.

سایت جزوه فارسی دانلود PDF مقاله عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش های مختلف ایران حمید ابریشمی 25 صفحه پی دی اف را برای شما دوستان فراهم کرده است. با توجه 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 پایدار اهمیت فراوانی دارد. با سایت جزوه فارسی همراه باشید.

مقاله عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش های مختلف ایران حمید ابریشمی

از این رو در این تحقیق تقاضای گاز طبیعی در بخش های خانگی-تجاری، صنعت و نیروگاه که جزء مصرف کنند گان 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.

دانلود پی دی اف مقاله عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش های مختلف ایران حمید ابریشمی

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 مدل سازی صورت گرفته، روش شبکه عصبی GMDH عملکرد و دقت بالاتری نسبت به روش ARIMA در پیش بینی تقاضای گاز طبیعی دارد.

پی دی اف مقاله عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش های مختلف ایران حمید ابریشمی

نیاز به پیش بینی و الگو یابی مصرف گاز بخصوص در فصول سرد سال جهت مدیریت مصرف و سیاست گذاری و برنامه ریزی امری ضروری می باشد. در بخش مصارف مسکونی و تجاری که بخش عمده ای از مصرف گاز در کشور را به خود اختصاص می دهد، تاثیرات متغیر های هواشناسی بیشترین اثر را بر مصرف دارند. در این تحقیق چهار متغیر متوسط دمای روزانه، متوسط رطوبت نسبی روزانه ، ساعات آفتابی در روز و متوسط سرعت باد برای پیش بینی مصرف در بازه زمانی کوتاه مدت استفاده شده است.

خرید عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش های مختلف ایران حمید ابریشمی

برای پیش‌ بینی تقاضای گاز طبیعی در بخش‌ های مختلف ایران، می‌ توان از دو روش ARIMA (Autoregressive Integrated Moving Average) و شبکه عصبی GMDH (Group Method of Data Handling) استفاده کرد. این دو روش به دلیل قدرت و کارایی بالای خود در مدل‌ سازی و پیش‌ بینی داده‌ های زمانی می‌ توانند به نتایج مطلوبی در پیش‌ بینی تقاضا برای گاز طبیعی ایران منجر شوند. با اجرای این دو روش ARIMA و شبکه عصبی GMDH بر روی داده‌ های تاریخی مربوط به تقاضای گاز طبیعی در بخش‌ های مختلف ایران و انجام بهینه‌ سازی، می‌ توان به پیش‌ بینی دقیق و موثرتری از تقاضا و مصرف گاز طبیعی در آینده دست یافت. هر روش با مزایا و انطباق مخصوص به خود می‌ تواند به نتایج قابل قبولی در پیش‌ بینی تقاضا برای گاز طبیعی در بخش‌ های مختلف ایران منجر گردد.

توضیحات در مورد نویسنده مقاله عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش های مختلف ایران

آقای دکتر حمید ابریشمی، عضو هیات علمی دانشگاه تهران و هیات تحریریه در دو فصل نامه اقتصاد و توسعه منطقه ای و هیات تحریریه در پژوهش نامه بازرگانی و هیات تحریریه در دانشنامه اقتصاد و 4 ژورنال دیگر بوده و دارای 4 مقاله کنفرانسی و 58 مقاله ژورنالی در مجلات داخل کشور هستند. علاوه بر این آقای دکتر حمید ابریشمی در انتشار 7 مقاله ISI نیز مشارکت داشته اند طی 35 سال با 18 پژوهشگر مختلف همکاری مستقیم علمی داشته که بیشترین همکاری وی با محسن مهر آرا در انتشار 20 مقاله علمی بوده است. مقالات منتشر شده ایشان بیشتر در موضوعات رشد اقتصادی، شبکه عصبی gmdh، قیمت نفت و بانکداری اسلامی تهیه شده است.

ادامه مطلب

دانلود شیوه تهیه و به کار گیری چگونه است؟

بر روی گزینه افزودن به سبد خرید کلیک کنید بعد طی مراحل و پرداخت وجه از طریق کارت های شتاب محصول برای دانلود آماده خواهد شد . سپس از محصول دریافت شده پرینت تهیه نمایید. اگر در خرید اینترنتی مشکل دارید از طریق کانال جزوه فارسی و یوزر ارتباط با ما اطلاع دهید تا از طریق کارت به کارت محصول رو تهیه نمایید.

آقای دکتر حمید ابریشمی، عضو هیات علمی دانشگاه تهران و هیات تحریریه در دو فصل نامه اقتصاد و توسعه منطقه ای و هیات تحریریه در پژوهش نامه بازرگانی و هیات تحریریه در دانشنامه اقتصاد و 4 ژورنال دیگر بوده و دارای 4 مقاله کنفرانسی و 58 مقاله ژورنالی در مجلات داخل کشور هستند. علاوه بر این آقای دکتر حمید ابریشمی در انتشار 7 مقاله ISI نیز مشارکت داشته اند طی 35 سال با 18 پژوهشگر مختلف همکاری مستقیم علمی داشته که بیشترین همکاری وی با محسن مهر آرا در انتشار 20 مقاله علمی بوده است. مقالات منتشر شده ایشان بیشتر در موضوعات رشد اقتصادی، شبکه عصبی gmdh، قیمت نفت و بانکداری اسلامی تهیه شده است.

جواب: ARIMA (مدل خودرگرسیو میانگین متحرک یکپارچه) یک روش آماری است که برای پیش‌بینی سری‌های زمانی استفاده می‌شود. این روش با تحلیل داده‌های تاریخی و شناسایی الگوهای موجود در آن‌ها، می‌تواند پیش‌بینی‌های دقیقی برای تقاضای گاز طبیعی ارائه دهد. ARIMA به ویژه در داده‌های فصلی و روندهای بلندمدت موثر است.
جواب: شبکه عصبی GMDH (Generalized Multilayer Perceptron) یک روش یادگیری ماشین است که به صورت خودکار ساختار شبکه را از داده‌ها استخراج می‌کند. این روش می‌تواند روابط غیرخطی پیچیده بین ورودی‌ها و خروجی‌ها را شناسایی کند. مزایای آن شامل انعطاف‌پذیری بالا، قابلیت یادگیری از داده‌های بزرگ و توانایی مدل‌سازی روابط پیچیده است.
جواب: دقت پیش‌بینی هر دو روش تحت تأثیر عوامل مختلفی قرار دارد، از جمله کیفیت و کمیت داده‌های ورودی، انتخاب پارامترهای مناسب برای مدل، وجود نوسانات یا الگوهای غیرقابل پیش‌بینی در داده‌ها، و همچنین ویژگی‌های خاص بازار گاز طبیعی در ایران.
جواب: معمولاً نتایج مقایسه‌ای نشان می‌دهد که شبکه عصبی GMDH در شرایطی که روابط غیرخطی و پیچیده وجود دارد، می‌تواند دقت بیشتری نسبت به ARIMA ارائه دهد. اما در برخی موارد، ARIMA ممکن است به دلیل سادگی و تفسیرپذیری بهتر، نتایج قابل قبولی ارائه کند. انتخاب بهترین روش بستگی به ویژگی‌های خاص داده‌ها و نیازهای پیش‌بینی دارد.
جواب: برای بهبود پیش‌بینی تقاضای گاز طبیعی، توصیه می‌شود از ترکیب مدل‌ها (مانند ادغام ARIMA و GMDH)، استفاده از داده‌های بیشتری (شامل عوامل اقتصادی و اجتماعی)، بهینه‌سازی پارامترهای مدل، و همچنین انجام تحلیل‌های حساسیت برای شناسایی عوامل کلیدی تأثیرگذار استفاده شود. همچنین، به‌روزرسانی مداوم مدل‌ها با داده‌های جدید می‌تواند دقت پیش‌بینی را افزایش دهد.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود PDF مقاله عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش بینی تقاضای گاز طبیعی در بخش های مختلف ایران حمید ابریشمی 25 صفحه پی دی اف”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *