• مطالعات اقتصادی مرتبط با حامل‌های انرژی (فسیلی، تجدیدپذیر و برق)
زهرا فرشادفر؛ سجاد پیری
چکیده
نوسانات زیاد قیمت نفت خام بعنوان منبع اصلی انرژی و ماده اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش بینی روند قیمت آنرا دو چندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش بینی قیمت نفت خام با استفاده از الگوی های غیر خطی در هوش مصنوعی است. برای دستیابی به این هدف چهار شبکه پروسپترون ساده، شبکه بازگشتی، ...
بیشتر
نوسانات زیاد قیمت نفت خام بعنوان منبع اصلی انرژی و ماده اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش بینی روند قیمت آنرا دو چندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش بینی قیمت نفت خام با استفاده از الگوی های غیر خطی 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 آنها نسبت به یکدیگر و مدل معیار مقایسه، و دقت پیش بینی آنها 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 میدهد که معماری شبکه در این مدل ها نسبت به مدلهای پیشین، در استخراج اطلاعات از داده ها توانمند تر بوده و زمان دستیابی به قیمت های آینده بهبود بخشیده شده است. همچنین از میان الگوهای غیر خطی، الگوی GRU در فرکانس های مختلف پیش بینی دقیق تر و با خطای کمتری از قیمت نفت را بدست می دهد.
