چکیده:
اطلاع از میزان تقاضای موجود در هر دوره یکی از مباحثی است که شرکت ملی گاز در راه پاسخگویی به مراجعان به آن نیاز دارد. عدم اطلاع از میزان تقاضای اشتراک سبب ایجاد مشکلاتی مانند عدم آگاهی از تعداد پیمانکاران مورد نیاز و همچنین فقدان برنامه کنترل موجودی مناسب برای انواع کنتورهای مورد نیاز و دیگر عوامل مرتبط می شود. در چند دهه گذشته، اقتصاددانان و علمای مدیریت برای برآورد تقاضا اغلب از روش های اقتصادسنجی استفاده کرده اند. امروزه از بین روش های پیش بینی، شبکه های عصبی مصنوعی و مدل های فازی در بسیاری از زمینه های کاربردی استفاده شده اند که هر کدام از آنها دارای محاسن و معایبی هستند. بنابراین، ترکیب موفقیت آمیز این دو روش، مدل سازی شبکه های عصبی مصنوعی و فازی، با اتکا به ترکیب قدرت یادگیری شبکه های عصبی و عملکرد منطقی سیستم های فازی تبدیل به ابزار بسیار قدرتمندی شده که هم اکنون کاربردهای گوناگونی دارند. در این تحقیق، تقاضای اشتراک گاز شهری خانگی شهر تهران با استفاده از روش خطی ARIMA و روش غیرخطی شبکه های عصبی فازی بررسی شده و از لحاظ شش معیار ارزیابی عملکرد با یکدیگر مقایسه شده اند. نتایج تحقیق بیان گر این حقیقت است که برای پیش بینی تقاضای اشتراک گاز شهری، شبکه های عصبی فازی در تمامی شش معیار ارزیابی عملکرد، بر روش ARIMA برتری داشته، بنابراین مناسب تر است.
In order to respond effectively to his clients، the National Gas Company needs to know about the amount of prevailing demand in every period. From the other hand، lack of information about the amount of subscription demand will in turn cause certain difficulties such as not knowing the number of required contractors، the absence of an appropriate inventory control for all kinds of needed gas consumption counters، etc.
In the last few decades، economists and management specialists have frequently used econometric methods for estimating demand. Today، among the available estimation methods، they are using the artificial neural networks methods and fuzzy models in many areas of applications and each of them have its own merits and limitations. A successful combination of these two methods، with emphasis on learning power of neural networks and logical performance of fuzzy model، have been transformed into a very powerful instrument that are now being applied in different contexts.
The main purpose of this article is to estimate the urban household gas subscription demand by using the ARIMA linear method and the fuzzy neural networks nonlinear method and to compare them on the basis of six performance criteria. The article concludes that، considering the six performance criteria، the fuzzy neural networks nonlinear method has supremacy over the ARIMA linear method for estimating the urban household gas subscription demand; therefore، it is more appropriate.
خلاصه ماشینی:
"/ نمودار 2- روند واقعی تقاضای اشتراک گاز شهری در مطالعه تطبیقی روشهای خطی و غیرخطی برای پیشبینی تقاضای اشتراک گاز شهری، از دو روش ARIMA بهعنوان روش خطی و روش شبکههای عصبی فازی بهعنوان روش غیرخطی استفاده شده است.
مدلبندی ARIMA بهشرح زیر بهدست آمده است: (1) در طراحی مدل شبکههای عصبی فازی از شبکه عصبی چند لایه پیشخور (MFNN) با الگوریتم یادگیری پس انتشار خطا و سیستم استنتاج فازی سوگنو با تابع ورودی "تفاوت دو تابع سیگمویید" و تابع خروجی خطی و برای غیرفازی کردن از تابع میانگین متحرک استفاده شد.
جدول 3- پیشبینی تقاضای اشتراک برای ماه آتی بر مبنای شبکههای عصبی فازی پیشبینی عصبی فازی هفته 945/801 1 902/827 2 856/853 3 809/879 4 4- نتیجهگیری هدف این تحقیق براورد تقاضای اشتراک گاز شهری و ارائه مدل مناسبی برای پیشبینی این تقاضا در آینده است تا شرکت ملی گاز بتواند بر بسیاری از این مشکلات فائق آمده و شرایط تصمیمگیری را از حالتی نامطمئن بهحالتی مطمئن تبدیل کند.
بهاین منظور دو طیف روشهای خطی و غیرخطی بررسی شدهاند و از روش ARIMA بهعنوان روش خطی و از روش شبکههای عصبی مصنوعی، بهعنوان روش غیرخطی پیشبینی استفاده شده و از لحاظ شش معیار عملکرد MSE، RMSE، NMSE، MAE، MAPE و R2 با هم مقایسه شدند.
نتایج تجربی این تحقیق و تحقیقات مشابه نشان دادهاند که ترکیب شبکههای عصبی مصنوعی و منطق فازی و ایجاد شبکههای عصبی فازی موفقیتآمیز بوده و باعث کاهش قابل توجه در خطای پیشبینی شده است که خصیصههای قابل توجهی در همگرایی سریع، دقت بالا و توانایی تقریب تابع قوی دارد.
, (2001), "Predicting US recessions with leading indicators and neural network models", International Journal of Forecasting, 17 383–401."