آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 750 |
| تعداد مقالات | 8,229 |
| تعداد مشاهده مقاله | 9,946,736 |
| تعداد دریافت فایل اصل مقاله | 9,421,232 |
کاربرد شبکه عصبی مبتنی بر الگوریتم ژنتیک در پیش بینی تقاضای بلندمدت انرژی | ||
| فصلنامه علمی نظریه های کاربردی اقتصاد | ||
| مقاله 2، دوره 1، شماره 2، پاییز 1393، صفحه 29-52 اصل مقاله (1.38 MB) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حسین صادقی؛ حسین سهرابی وفا؛ فاطمه نوری | ||
| دانشیار اقتصاد دانشگاه تربیت مدرس | ||
| چکیده | ||
| پیشبینی تقاضای انرژی جهت عرضه به موقع، تنظیم بازار، هدفگذاری میزان صادرات و ایجاد امنیت انرژی اهمیت ویژهای دارد. روشهای مختلفی برای پیشبینی تقاضای انرژی معرفی شده است که در این بین با توجه به روند غیرخطی و پرنوسان تقاضای انرژی، تکنیکهای غیرخطی نتایج مطلوبتری داشته است. شبکههای عصبی و الگوریتم ژنتیک از مهمترین و پرکاربردترین تکنیکهای غیرخطی در این زمینه میباشند که هر یک نقاط ضعف و قوت خاصی دارند. در این مطالعه با ترکیب شبکه عصبی و الگوریتم ژنتیک، نقایص مذکور مرتفع شده و با الگوریتم ترکیبی معرفی شده به پیشبینی تقاضای انرژی در ایران پرداخته شده است. نتایج مطالعه در پیشبینی تقاضای انرژی طی سالهای 1346 تا 1390 نشان دهنده قدرت پیشبینی بالاتر تکنیک ترکیبی در کنار قدرت توضیحدهندگی متغیرهای توضیحی بکار رفته است. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی؛ الگوریتم ژنتیک؛ پیش¬بینی؛ تقاضا؛ انرژی | ||
| عنوان مقاله [English] | ||
| Applications of Neural Network Based on Genetic Algorithm for Long Term Energy Demand Forecasting | ||
| نویسندگان [English] | ||
| Hossein Sadeghi؛ Hossein Sohrabi Vafa؛ Fatemeh Nouri | ||
| چکیده [English] | ||
| Energy demand prediction is very important to timely supply, market regulation, exports targeting and energy security. Different methods introduced to energy demand prediction, due to volatilities and non-linearity on energy demand, non-linear techniques have good results among them. Neural networks and genetic algorithm are well-known and most widely used techniques in this field that both of them have own strength and weaknesses. Imposing the specific form, necessity to the large samples and weakness on global optimum finding are important weaknesses on each method which these shortcomings can be fixed by combining them. In this study real coded genetic algorithm is used for neural network training as a hybrid algorithm (RGA- NN). After applying and comparing this technique with common techniques on energy demand prediction between 1967 -2011, the results confirm higher predictive performance of hybrid technique and the explanatory power of the used variables. | ||
| کلیدواژه‌ها [English] | ||
| Neural Networks, genetic algorithm, Prediction, Energy Demand | ||
|
آمار تعداد مشاهده مقاله: 7,262 تعداد دریافت فایل اصل مقاله: 3,274 |
||
