علیرضا حجی - دانشیار،دانشکده مهندسی صنایع، دانشگاه صنعتی شریف
مهدی عضنفری - دانشجوی کارشناسی ارشد، دانشکده مهندسی صنایع، دانشگاه صنعتی شریف

پیش بینی قیمت نفت، به طور خاص در کشورهای صادر کننده این نهاده تولید، با بدست آوردن برآوردیقابل اتکا از درآمدهای نفتی، دولت ها را در فرآیند سیاست گذاری یاری خواهد کرد. وجود مکانیزم پیچیدهحاکم بر فرآیند شکل گیری قیمت نفت کارایی مدل های خطی را در پیش بینی کاهش داده و محققین رابه سمت استفاده از سیستم های هوشمند غیر خطی شبکه عصبی مصنوعی برای پیش بینی قیمت نفتسوق داده است. در این پژوهش پس از بررسی دقیق ساختار شبکه عصبی مصنوعی، از دو مدل شبکهعصبی GMDH و MLP و روش خود رگرسیون میانگین متحرک (ARIMA) برای پیش بینی قیمت نفت استفاده شده است. در فرآیند پیش بینی با شبکه های عصبی، فاکتورهای مهمی وجود دارد و درصورتی که تمامی این فاکتورها به طور صحیح انتخاب گردد؛ میتوان انتظار داشت که شبکه عصبی پیشبینی مناسبی داشته باشد. در این تحقیق سعی شده است علاوه بر قیمت نفت از متغیرهای تولید و مصرفجهانی نفت و ذخایر تجاری نفت کشورهای OECD هم به عنوان متغیر ورودی برای پیش بینی استفاده شود؛ و متغیرهایی که قدرت پیش بینی بالاتری دارند در مدل نگه داشته شوند. خطای شبکه های عصبی وروش آریما با معیار میانگین مربعات خطا (MSE) با یک دیگر مقایسه شده است و در نهایت نتایج پژوهش حاکی از این است که مدل مربوط به شبکه عصبی MLP پیش بینی دقیق تری را نسبت به دو مدل دیگر ارائه می دهد و از دقت بالاتری برخوردار است.

پیش بینی، سری زمانی، قیمت نفت، شبکه عصبی MLP، شبکه عصبی GMDH، مدل ARIMA