معرفی الگوهای مناسب پیش بینی قیمت گازوییل

این مطالعه با هدف معرفی الگوهای مطلوب پیش بینی برای قیمت گازوییل در بازار انرژی سنگاپور به عنوان بازار موثر بر قیمت گازوییل در خاورمیانه انجام شد. داده های مورد استفاده به صورت هفتگی و شامل دوره (۲۰۱۰-۱۹۸۷) می باشد. پیش بینی ها برای ۱۰، ۲۰ و ۳۰ درصد داده ها صورت گرفت. الگوهای مورد استفاده برای پیش بینی شامل چهار الگوی شبکه عصبی و یک الگوی رگرسیونی (خودرگرسیون میانگین متحرک) بود. شبکه های منتخب شامل شبکه پیشخور پس انتشار، شبکه آبشاری پس انتشار، شبکه المان پس انتشار و شبکه رگرسیون تعمیم یافته می باشد. همچنین، توابع آموزش مورد استفاده در پیش بینی شامل توابع لونبرگ- مارکوآت و شبه نیوتنی است. یافته ها در مورد تمام گروه از داده ها، کمترین خطای پیش بینی در شبکه را نشان دادند که از تابع آموزش لونبرگ- مارکوآت استفاده می کند. همچنین، مشخص شد برای پیش بینی ۲۰ و ۳۰ درصد داده ها شبکه المان پس انتشار و برای پیش بینی ۱۰ درصد داده ها شبکه پیشخور پس انتشار دارای کمترین خطای پیش بینی هستند. همچنین، نتایج نشان دادند شبکه رگرسیون تعمیم یافته و الگوی رگرسیونی خودرگرسیون میانگین متحرک در مقایسه با سه شبکه دیگر از دقت قابل رقابتی برخوردار نیستند. البته یافته های آماره دیبلد- ماریانو نشان دادند که میان شبکه های دارای کمترین خطای پیش بینی از لحاظ آماری تفاوت معناداری در دقت پیش بینی وجود ندارد. برای قیمت گازوییل به طور نسبی استفاده از ۸۰ درصد از داده ها برای آموزش و ۲۰ درصد برای پیش بینی در مقایسه با سایر ترکیب از داده ها خطای پیش بینی کمتر نشان داد. بر اساس نتایج به دست آمده می توان با استفاده از شبکه های پیشنهادی مطالعه به پیش بینی هایی با خطای حدود ۲ درصد دست یافت.

Keywords:

Price , Forecast , Gasoil , Artificial Neural Network , Autoregressive Integrated Moving Average (ARIMA) , قیمت پیش بینی گازوییل , شبکه عصبی مصنوعی , خودرگرسیون میانگین متحرک