چکیده:
پيش بيني صحيح قيمت نفت نقش مهمي را در هدايت سياست هاي پولي كشورهاي مختلف ايفا مي كند. اهميت اين نقش به طور مشهود در كشورهاي واردكننده و صادركننده نفت به چشم مي خورد. در اين مقاله از الگوريتم ژنتيك براي بهينه سازي معماري و ساختار شبكه عصبي مصنوعي بهره برده ايم. در طي فرآيند بهينه سازي، وزن ها، باياس و ساختار شبكه عصبي محاسبه مي شوند تا بدين طريق از پيچيدگيهاي ناشي استفاده از شبكه عصبي مصنوعي در پيشبيني كاسته گردد. براي بررسي عملكرد مدل شبكه عصبي اصلاح شده با الگوريتم ژنتيك (GADNN) از آن براي پيشبيني قيمت نفت اينترمديت وست تگزاس (WTI) در سال 2012 تا انتهاي 2015 استفاده ميشود. نتايج پژوهش نشان دهنده عملكرد بهتر و دقت بيشتر مدل پيشنهادي پژوهش حاضر در مقايسه با ساير مدل هاي شبكه عصبي مصنوعي در پيشبيني قيمت نفت ميباشد.
The correct forecasting of oil prices plays an important role in conducting the monetary policy of different nations. Its importance is obvious in the countries exporting and importing oil. This paper uses the genetic algorithm to optimize the neural network model and structure. During the optimization process, the weights, biases and structure of the neural network are calculated. The aim of this work is reducing the complexities of using artificial neural network in forecasting. The performance of the proposed method (GADNN) is investigated by applying it WTI oil price time series prediction problems from 2012 to the end of 2015. The results show better performance and accuracy when we compare it with other neural networks model in prediction oil price.
خلاصه ماشینی:
Genetic Algorithm based Dynamic Neural Network ابتدا از الگوریتم ژنتیک برای تعیین ، ساختار شبکه (تعداد لایه ها) و وزن های شبکه عصبی و کاهش خطای مراحل آموزش و آزمایش شبکه به صورت هم زمان استفاده میشود.
علاوه بر آن تابع برازندگی که به طور همزمان خطا و معماری شبکه عصبی را در پیش بینی قیمت نفت خام محاسبه نموده و بهترین معماری را در خروجی نمایش دهد تعیین کند، مورد استفاده قرار نگرفته است ؛ بنابراین ، در این مقاله با استفاده از روش تصحیح شده شبکه عصبی با الگوریتم ژنتیک (GADNN) به پیش بینی قیمت نفت خام میپردازیم و برای بررسی دقت عملکرد پیش بینی، داده های قیمت نفت WTI١ را با استفاده از مدل شبکه عصبی مصنوعی پرسپترون چندلایه MLP٢، نیز پیش بینی خواهیم کرد؛ و در نهایت نتایج حاصل از پیش بینی این دو مدل را با استفاده از معیارهای عملکردی مانند R٢ مقایسه کرده و مدل بهینه در پیش بینی قیمت نفت انتخاب خواهد شد.
"Forecasting crude oil prices using wavelet neural networks".
"A flexible neural network-fuzzy mathematical programming algorithm for improvement of oil price estimation and forecasting".
"Evolutionary Neural Network model for West Texas Intermediate crude oil price prediction".
" Application of a hybrid genetic algorithm and neural network approach in activity-based costing", Expert systems with application, 24, 73-77.
"Oil price forecasting using gene expression programming and artificial neural networks".
"Hybrid fuzzy set-based polynomial neural networks and their development with the aid of genetic optimization and information granulation", Applied Soft Computing, Vol. 9: 1068-1089.