پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,228 |
| تعداد مقالات | 67,750 |
| تعداد مشاهده مقاله | 115,085,763 |
| تعداد دریافت فایل اصل مقاله | 89,824,546 |
مطالعه تطبیقی روش های خطی ARIMA و غیر خطی شبکه های عصبی فازی در پیش بینی تقاضای اشتراک گاز شهری | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 5، دوره 40، شماره 4، بهمن 1384 اصل مقاله (433.28 K) | ||
| نویسندگان | ||
| محمد حسین پور کاظمی؛ امیر افسر؛ بیژن نهاوندی* | ||
| 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 موردنیاز و دیگر عوامل مرتبط می شود. در چند دهه گذشته،اقتصاددانان و علمای مدیریت برای براورد تقاضا غالباً 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 کاربرد های گوناگونی دارند. در این تحقیق، تقاضای اشتراک گاز شهری خانگی شهر تهران با استفاده از روش خطی ARIMA و روش غیر خطی شبکه ها ی غیر عصبی فازی بررسی شده و از لحاظ شش معیار ارزیابی عملکرد با یکدیگر مقایسه شده اند.ناتیج تحقیق بیانگر 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 مناسبتر است. طبقه بندی JRL:C53,C32,C13. | ||
| کلیدواژه‌ها | ||
| پیش بینی؛ تقاضا؛ روش های غیر خطی؛ شبکه های عصبی؛ گاز شهری؛ منطق فازی | ||
| عنوان مقاله [English] | ||
| - | ||
| کلیدواژه‌ها [English] | ||
| ARIMA, Demand Estimation, fuzzy model, neural networks, Nonlinear Method, Urban Gas | ||
|
آمار تعداد مشاهده مقاله: 3,581 تعداد دریافت فایل اصل مقاله: 1,987 |
||