با گرفتن مجذور انحرافات واقعی از تقاضای پیش بینی در محاسبۀ MSE ، وزن بیشتری به خطاهای بزرگتر داده می‌شود. این مورد موقعی مناسب است که هزینه های اشتباه، هزینۀ مازاد یا کمبود موجودی یا ظرفیت بسیار بالا باشد. معیار خطای ساده تر و مفیدتر، میانگین انحراف مطلق (MAD)^[20] است، یعنی همان خطای پیش بینی که علامت آن ها حذف شده است.
(۲-۲)
مشاهده می شود که MAD به کلّ خطای پیش بینی بستگی دارد. این روش برای سیستم هایی مناسب است که هزینه های انحرافات پیش بینی به تأثیر تجمعی آنها بستگی دارد و ارتباطی به تخمین بیشتر یا کمتر تقاضا ندارد؛ یعنی اگر تقاضا بیش تر یا کم تر از مقدار واقعی برآورد شود در هر دو صورت هزینه یکسان است. انحراف معیار همان خطاها به شکل زیر باMAD ارتباط دارد:

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

(۲-۳) S = 1.25 MAD
MAD: میانگین قدر مطلق انحرافات
هرگاه پیش بینی، تقاضای واقعی را به خوبی برآورد کند، اشتباهات مشاهده شده، تصادفی و دارای یک توزیع نرمال با میانگینی برابر صفر هستند. بنابراین برای یک مدل پیش بینی ایده آل جمع جبری خطاهای پیش بینی (RSFE) باید برابر صفر باشد. زیرا خطاهای مثبت، منفی ها را خنثی می کنند. وجود تمایل به یک طرف در پیش بینی، خطای اضافی ایجاد می کند.
توالی زیاد مقادیر مثبت در علامت نمایانگر، به معنی گرایش بدبینانه در پیش بینی است. در حالی که مقادیر منفی دلالت بر یک تمایل خوش بینانه دارد؛ یعنی به طور معمول مقدار تقاضای واقعی پایین تر از مقدار پیش بینی است. یک چنین تمایلی می تواند مربوط به ضعف در مدل پیش بینی و یا ناشی از حذف متغیر های کلیدی، یا تعیین روابط غلط برای متغیر ها و یا تغییرات مؤثر در محیط، مثل توزیع اقتصادی، کمبود انرژی و بحران های سیاسی باشد.
براساس گفتۀ وایت^[۲۱] علامت نمایانگر، برای روندهایی که از پیش بینی منحرف می شوند شاخص مفیدی است. بنابراین می تواند به راحتی با یک مدل پیش بینی نمایی ساده ترکیب شود تا پیش بینی مفید تری نسبت به مدل های هموار سازی نمایی پیچیده ارائه دهد.
یکی دیگر از روش هایی که می توان صحّت پیش بینی را مورد بررسی قرار داد، روش میانگین قدر مطلق درصد انحرافات ( MAPD )^[22] است که از رابطۀ زیر بدست می آید:
(۲-۴) MAPD =
در این روش قدر مطلق درصد انحراف از میزان تقاضا نسبت به کل تقاضا تعیین می شود. هر چه میزانMAPD کمتر باشد نشان می دهد که روش پیش بینی دقیق تر است. تفاوت اساسی بین MAD و MSE آن است که MSE برای خطاهای بزرگتر، نسبت به MAD، جریمۀ سنگین تری قائلند. زمانی که جریمۀ خطاهای پیش بینی بطور خطّی با اندازۀ خطا افزایش می یابد، شاخصMAD یک شاخص مناسب برای صحّت پیش بینی خواهد بود. از آنجاییکه شاخص MAPD یک شاخص درصدی و ( فاقد واحد اندازه گیری ) است برای عملکرد یک مدل در سری های زمانی مختلف مفید خواهد بود. معمولاً زمانی از این شاخص های پیش بینی برای ارزیابی استفاده می شود که ، داده های واقعی سری زمانی ، به دو بخش تقسیم می شوند. از اولین بخش مشاهدات برای برآورد مدل پیش بینی و از بخش دوم برای بررسی صحّت مدل برازش شده استفاده می شود.
فرآورده های سوختی نفتی
وابستگى روزافزون زندگى بشر به انرژى موجب شده است تا این عامل به طور بالقوه و بالفعل درکارکرد بخش هاى مختلف اقتصادى کشورها نیز نقش بسیار مهمّى ایفا کند. از این رو ، مسئولان هرکشور باید تلاش کنند تا با پیش بینی هرچه دقیق تر مصرف انرژی و برنامه ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای انرژی را به نحو مطلوب کنترل کنند.
از آنجایی که در کشور ما فرآورده های زیادی از نفت بدست می آید سعی شده است که در این تحقیق چهار محصول مهم فرآورده های سوختی مورد بررسی قرار گیرد.
اهمیت تکنیک های مورد استفاده
انرژی درکنار سایرعوامل تولید، عامل مؤثری در رشد و توسعه اقتصادی تلقی می شود و در عملکرد بخش های مختلف اقتصادی نقش چشمگیری ایفا می کند. هدف از این تحقیق، بررسی کارایی الگوریتم بهینه سازی علف های هرز، شبکه عصبی مصنوعی و الگوریتم بهینه سازی توده ذرّات درپیش بینی مصرف فرآورده های سوختی نفتی کشور است. هر یک از تکنیک های ذکر شده از ابزار های قدرتمند در روش های فرا ابتکاری می باشد که با مقایسۀ خروجی هر یک می توان بهترین تکنیک را در زمینۀ پیش بینی معرفی کرد.
سابقۀ تحقیق (مروری بر مطالعات پیشین)
با توجه به اهمیّت نفت به عنوان یک کالای استراتژیک و تأثیر آن بر اقتصاد جهان ، شناخت بازار نفت و ارائه پیش‌بینی های مناسب از وضعیت متغیرهای این بازار یکی از چالش های مهم علمی در سراسر جهان است. دراین راستا مطالعات متعددی در زمینه پیش بینی متغیرهای مطرح دراین بازار ازجمله عرضه، تقاضا و قیمت آن انجام گرفته است.
مروری بر مطالعات انجام گرفتۀ داخلی
ابراهیم حیدری ( ۱۳۸۳ )، درمقاله ای با عنوان “پیش بینی تقاضای انرژی در ایران با بهره گرفتن از روش تجزیه” ، میزان تقاضا یا مصرف نهایی حامل های انرژی سه گانه در بخش های تولید ی اقتصاد ایران شامل بخش صنعت، کشاورزی، خدمات و حمل و نقل را با بهره گرفتن از یک الگوی تجزیه و برای یک دورۀ ۱۵ ساله، در قالب سه گزینۀ نرخ رشد تولید بالا ، پایین و روند، پیش بینی کرده است. نتایج پیش بینی تقاضای برق و گاز طبیعی نشان می دهد که در هر سه گزینه، درطول سالهای مورد پیش‌بینی، با تشدید مصرف ناشی از عوامل ساختاری و شدت انرژی مواجه هستیم همچنین نتایج نشان دهندۀ صرفه جویی قابل ملاحظه در مصرف فرآورده های نفتی، ناشی از کاهش شدت انرژی در گزینه های اول و دوم است.
در این سال کرمانشاهی وآیوامیا با استفاده ازشبکه های عصبی، مصرف انرژی در ژاپن تا سال ۲۰۲۰ را پیش بینی کردند. آنها از یک شبکۀ سه لایه و الگوریتم پس انتشار استفاده کردند و ورودی های شبکه را تولید ناخالص داخلی، جمعیت، تعدادخانوار، تعداد دستگاه تهویه هوا، میزان آلاینده دی اکسیدکربن، شاخص تولید صنعتی، قیمت نفت و مصرف انرژی در نظر گرفتند.
احمدی قراچه ( ۱۳۸۵ ) ، به پیش بینی ماهیانه قیمت نفت خام با بهره گرفتن از شبکه های عصبی به صورت تک متغیره پرداخت. او با مقایسه مدل خود با مدل های مختلف، چنین نتیجه گیری می کند که مدل او، مدل بهتری نسبت به مدل های ارائه شدۀ قبلی است.
ابریشمی و همکاران ( ۱۳۸۷ )، از شبکۀ عصبی قواعد، تحلیل تکنیکی، شامل میانگین های متحرک کوتاه مدت و بلند مدت، به عنوان ورودی شبکه، طی دوره های مختلف بازار، استفاده کردند. در این بررسی نیز پیش بینی های شبکۀ عصبی نسبت به روش سری زمانی، از خطای کمتر و دقت بالاتری برخوردار بود.
شکیبایی و همکارانش (۱۳۷۸)، سعی کردند علاوه بر پیش بینی تولید نفت خام در یازده کشور تولیدکننده، با بهره گرفتن از دو مدل رگرسیون خطّی وشبکه های عصبی، نتایج به دست آمده درهرکشور به طور مجزا مقایسه شود. تخمین ها، حاکی از آن است که شبکه های عصبی پیش بینی های بهتری نسبت به مدل های رگرسیون خطّی ارائه می کنند.
آذری و همکاران (۱۳۸۷) ، از شبکۀ عصبی مصنوعی به سبب قابلیت فوق العادۀ آن در تقلید از نگاشت غیرخطّی ورودی ها به خروجی ها برای پیش بینی کوتاه مدت میزان مصرف گاز طبیعی شهر تهران استفاده کردند. مقایسۀ نتایج حاصل از پیش بینی با مقادیر واقعی مصرف گاز حاکی از آن بود که دقت مدل در خصوص مصرف روزانه و ماهانه گاز به ترتیب حدود ۹۳ و ۹۹ درصد است. بنابراین، مدل های طراحی شده، برای تخمین مصرف گاز شهر تهران بزرگ مناسب است.
مشیری و فروتن (۱۳۸۳)، ابتدا به بررسی آشوب ناک بودن سری زمانی قیمت نفت با بهره گرفتن از معیارهای مختلف می پردازند. پس از تعیین آشوب ناک بودن سری زمانی قیمت نفت، به پیش بینی تک متغیّره قیمت نفت به صورت روزانه، با بهره گرفتن از مدل و شبکه های عصبی می پردازند و پس از GARCH و مدل های غیرخطّی ARIMA خطّی مقایسه نتایج سه مدل مختلف، بیان می دارندکه مدل شبکه های عصبی کمترین خطای پیش بینی را ارائه می دهد.
معینی و همکاران(۱۳۸۵)، در پژوهش خود با در نظر گرفتن این نکته که تابع لجستیک میتواند بازار مبتنی بر عرضه وتقاضا را مدل کند، براساس نمای لیاپانوف، تابع پویای لجستیک را بر سری زمانی قیمت آتی نفت دربازه زمانی (۱۳۸۰-۱۳۷۸)، برازش کرده اند و از تابع لجستیک حاصل، برای پیش بینی قیمت در روندهای مختلف استفاده و درنهایت بیان می کنند که نتایج بدست آمده با این روش برای چهار تا شش روز آینده دقت بالایی را نشان می دهند.
پورکاظمی و همکاران (۱۳۸۴) نیز در مقاله خود به پیش بینی تقاضای گاز شهری با بهره گرفتن از روش شبکه می پردازند و در نهایت به این نتیجه می رسند که ARIMA های عصبی فازی و مدل شبکه های عصبی براساس معیارهای مختلف، پیش بینی های با خطای کمتری را ارائه می دهد.
پورکاظمی و اسدی ( ۱۳۸۸ ) ، به پیش بینی پویای قیمت نفت خام با بهره گرفتن از شبکه های عصبی مصنوعی و اقتصاد سنجی ARIMA پرداختند. نتایج این تحقیق حاکی از آن بود که پیش بینی شبکه های هوش مصنوعی در مقایسه با روش ARIMA دارای خطای کمتر است.
منهاج و همکاران ( ۱۳۸۹ ) ، با استفاده ازشبکه های عصبی مصنوعی و با در نظرگرفتن شاخص های اقتصادی واجتماعی، تقاضای انرژی بخش حمل و نقل کشور را در سال های ۱۳۸۶ تا ۱۴۰۰پیش بینی کردند. در پژوهش آنها از شبکه های عصبی رو به جلو با ناظر برای پیش بینی و از الگوریتم پس انتشار برای آموزش شبکه ها استفاده شد. نتایج حاصل از پیش بینی با این روش در مقایسه باروش رگرسیون چند متغیّره، نشان دهندۀ خطای به مراتب کمتری است، به طوری که درصد میانگین قدر مطلق خطا از ۱۵ درصد به ۶ درصدکاهش یافت.
پورکاظمی، افسر و نهاوندی ( ۱۳۸۴ ) در مطالعه ای به مقایسۀ کارایی دو تکنیک ARIMAو سیستم عصبی- فازی در پیش بینی تقاضای اشتراک گاز شهری پرداختند. ایشان دراین مطالعه شش معیار ارزیابی عملکرد برای سنجش کارایی الگوهای فوق درنظرگرفته و نشان دادند که الگوی غیرخطّی عصبی- فازی درتمامی معیارها از الگوی خطّی کاراتر است. نتایج تجربی این تحقیق ARIMA نشان می دهد که ترکیب شبکه های عصبی و منطق فازی و ایجاد شبکه های عصبی فازی موفقیت آمیز بوده و باعث کاهش قابل توجه در خطای پیش بینی می شود و نیز از آنجا که سیستم عصبی – فازی نیاز به داده های صریح، قطعی و نمونه های بزرگ ندارد، مناسب تر و قدرتمند تر از روش های کلاسیک پیش بینی است.
در سال ۱۳۷۷ مهندس و همکارانش پس از مشاهده آماری سرعت ماهیانه و روزانه باد در جدّه عربستان، یک مدل شبکه عصبی را برای پیش بینی سرعت باد طراحی کردند و سپس عملکرد آن را با مدل اتورگرسیو مقایسه نموده اند. همچنین در این مطالعه، آنالیز سری های زمانی تصادفی به عنوان ابزار سودمندی برای توصیف مدل اتورگرسیو مورد استفاده قرارگرفت. مدل اتورگرسیو از بازه زمانی یک ماهه برای پیش بینی میانگین ماهیانه و از بازه زمانی یک روزه برای پیش بینی میانگین روزانه سرعت باد استفاده می نماید.
آزاده ، خاکستانی و صبری( ۱۳۸۸ ) ، در مطالعه ای به بررسی کارایی رگرسیون فازی و رگرسیون سنّتی در شبیه‌سازی و پیش بینی تقاضای فرآورده های نفتی در کشورهای امریکا، استرالیا و ژاپن با بهره گرفتن از متغیرهای توضیحی جمعیت، هزینۀ واردات فرآورده های نفتی، تولید ناخالص داخلی و تولید سال قبل فرآورده های نفتی پرداخته اند. آنها برای بررسی کارایی این الگوها از معیار میانگین مربع درصد خطا استفاده کرده و با روش تحلیل واریانس مناسبت رینالگو (رگرسیون فازی ) را انتخاب و مقادیر آتی مصرف فرآورده های نفتی را پیش بینی کرده اند.
آزاده ، اسدزاده و قنبری ( ۱۳۸۸ ) با بهره گرفتن از تکنیک سیستم استنباط عصبی – فازی تطبیقی به پیش بینی کوتاه مدت (روزانه) تقاضای گاز طبیعی ایران پرداختند. ایشان برای این منظور یک سیستم عصبی- فازی ایجاد کردند که ورودی های آن روزهای هفته، تقاضای گازطبیعی روزقبل، تقاضای گازطبیعی دو روز قبل و تقاضای گاز طبیعی همان روز در سال قبل بوده و خروجی آن (متغیر وابسته ) تقاضای روزانه گاز طبیعی بود. ایشان برای بررسی دقت پیش بینی روش پیشنهادی نتایج حاصل از سیستم عصبی- فازی را با نتایج حاصل از تکنیک شبکه های عصبی مقایسه کردند. نتایج مطالعه ایشان نشان داد در شرایطی که مشاهدات رفتار غیرخطّی، نامنظم و پیچیده ای دارند استفاده از سیستم‌های عصبی- فازی نتایج بسیار قابل قبولی ارائه می دهد.
آزاده ، صبری و آزادمنش ( ۱۳۹۰ ) ، در مطالعه ای به تخمین و پیش بینی تقاضای نفت کشور های کانادا ، انگلستان و کره جنوبی با بهره گرفتن از سیستم استنباط عصبی – فازی تطبیقی پرداخته اند . ایشان نتایج پیش بینی با تکنیک عصبی-فازی را با تکنیک خودرگرسیو مقایسه کرده اند . در این مطالعه درمورد هر سه کشور تحت بررسی کارایی بالای تکنیک سیستم استنباط عصبی- فازی تطبیقی تایید شده است.
آزاده و همکاران ( ۱۳۹۰ ) ، در مطالعه ای با بهره گرفتن از سیستم استنباط عصبی- فازی تطبیقی به پیش بینی بلندمدت تقاضای انرژی در کشورهای لوکزامبورگ، ایتالیا، هلند و ایرلند پرداخته اند. ایشان در این مطالعه از تعداد جمعیت هر کشور و تولید ناخالص داخلی هر کشور به عنوان متغیرهای توضیحی مدل استفاده کرده و از داده های سالهای ۱۳۵۸ تا ۱۳۸۳ به منظور آموزش سیستم و از داده های سال های ۱۳۸۴ تا ۱۳۸۶ به عنوان داده های آزمون اعتبار پیش‌بینی استفاده کرده اند. ایشان در این مطالعه با بهره گرفتن از الگوی خودرگرسیو به پیش بینی متغیرهای مستقل برای هر کشور پرداخته و سپس از میان الگوهای (سیستم های استنباط عصبی- فازی تطبیقی) مختلف با انتخاب بهترین الگو با کمترین میزان میانگین مجذور خطا به پیش بینی تقاضای انرژی در کشورهای تحت بررسی پرداختند. نتایج این مطالعه ضمن تأیید قدرت بالای سیستم استنباط عصبی- فازی تطبیقی نشان می دهد که متغیر های جمعیت و تولید ناخالص داخلی قدرت توضیح دهندگی بالایی برای تخمین تقاضای انرژی دارند.
ایران منش و همکاران ( ۱۳۹۱ ) ، در مطالعه ای با بهره گرفتن از ترکیب سیستم استنباط فازی و شبکۀ عصبی مصنوعی به شبیه سازی و پیش بینی تقاضای انرژی در کشورهای امریکا و کانادا پرداخته اند. ایشان در این مطالعه نشان دادند که استفاده از مفاهیم فازی در مدلسازی سری های زمانی با رفتار پیچیده و غیرخطّی نتایج بسیار بهتری در مقایسه با سایر روش ها از جمله شبکه های عصبی چند لایه خواهد داشت.
غفاری و زارع ( ۱۳۸۸ ) ، در مطالعه ای با عنوان “یک الگوریتم جدید برای پیش بینی نوسانات قیمت با بهره گرفتن از تکنیک عصبی- فازی WTIنفت خام مبتنی بر محاسبات نرم ” به پیش بینی قیمت نفت خام پرداختند. آنها در این مطالعه به منظور کاهش اثرات جزء اخلال غیر قابل مشاهدۀ کوتاه مدت، از یک الگوریتم غربال گر داده ها استفاده کردند و به منظور راستی آزمایی و مقایسۀ روش پیشنهادی نتایج حاصل از این تکنیک را با روش های دیگر مقایسه کرده و نشان دادندکه نتایج این تکنیک دربسیاری از مواقع از درجه صحّت بالایی برخوردار است.
فخرایی ( ۱۳۶۲ )، تابع مصرف فرآورده های نفتی کشور را برای دورۀ ۱۳۶۱-۱۳۴۰ با بهره گرفتن از روش حداقل مربعات معمولی (OLS) تخمین زد و مصرف فرآورده های نفتی را تا سال ۱۳۶۷ پیش بینی کرد. در این مطالعه ارتباط بین قیمت حقیقی و درآمد ملی با تقاضای این حامل ها به ترتیب منفی و مثبت بود.
اصفهانی ( ۱۳۷۱ )، در مطالعه ای به برآورد تابع تقاضای فرآورده های نفتی ایران تحت روش حداقل مربعات معمولی پرداخته و بازار این فرآورده ها، اثر یارانه ها و تعیین قیمت این فرآورده ها را مورد بررسی قرار داده است. در این مطالعه باتوجه به ضریب منفی و پایین قیمت حقیقی بنزین، سیاست افزایش قیمت بنزین، تأثیرکمی بر کاهش مصرف دارد.
در سال ۱۳۸۵ آذر و همکاران به مقایسۀ روش های کلاسیک و هوش مصنوعی در پیش بینی شاخص قیمت سهام و طراحی مدل ترکیبی پرداختند. نتایج تحقیق بیانگر آن است که توانایی مدل ترکیبی نسبت به تمامی روش های هوش مصنوعی و کلاسیک بالاتر است.
سارا مدقالچی، درپایان نامه کارشناسی ارشد خود در سال ۱۳۹۰ به پیش بینی قیمت سهام با بهره گرفتن از مدل ترکیبی شبکۀ عصبی مصنوعی و PSO پرداخت. نتایج این پژوهش نشان می دهد که مدل ترکیبی قادر به پیش‌بینی دقیق‌تری نسبت به نرم افزار کلمنتاین می باشد.
جدول ‎۲‑۲. خلاصه مطالعات صورت گرفتۀ داخلی

نویسنده

سال

الگوریتم مورد استفاده

کاربرد