خلاصة:
وابستگی روزافزون زندگی بشر به انرژی موجب شده است تا این عامل به طور بالقوه و بالفعل در کارکرد بخش های مختلف اقتصادی کشورها نیز نقش بسیار مهمی ایفا کند. از این رو، مسئولان هر کشور باید تلاش کنند تا با پیش بینی هر چه دقیق تر مصرف انرژی و برنامه ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای انرژی را به نحو مطلوب کنترل کنند. هدف پژوهش حاضر، الگو سازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران با استفاده از الگوهای شبکه عصبی فازی، شبکه عصبی ژنتیک و شبکه عصبی است. از این رو، از داده های سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگو های پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگو های پیش بینی استفاده شد. در پایان دقت نتایج پیش بینی الگو های مختلف، با استفاده از شاخص های ارزیابی مقایسه گردید. نتایج ارزیابی نشان داد که الگوی شبکه عصبی فازی، نسبت به سایر الگو ها از بیشترین دقت در پیش-بینی مصرف انرژی در بخش حمل و نقل کشور برخوردار است. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی جمعیت کشور به عنوان ورودی شناخته شد که بیشترین تاثیر را در مصرف انرژی دارد.
ملخص الجهاز:
"الگوسازی و پیشبینی مصرف انرژی بخش حمل و نقل ایران: کاربردی از الگوهای هوش مصنوعی نویسندگان: محمد حسین طحاری مهرجردی حمید بابایی میبدی روحالله تقیزاده مهرجردی چکیده وابستگی روزافزون زندگی بشر به انرژی موجب شده است تا این عامل به طور بالقوه و بالفعل در کارکرد بخشهای مختلف اقتصادی کشورها نیز نقش بسیار مهمی ایفا کند.
در پژوهش حاضر نیز تلاش میشود تا با کاربرد سایر الگوهای هوش مصنوعی، یعنی الگوهای شبکه عصبی فازی و شبکه عصبی ژنتیک، مصرف انرژی بخش حمل و نقل ایران، پیشبینی و نتایج این الگوها با الگوهای سنتی مقایسه شود.
در پژوهش حاضر، از دادههای سالانه مصرف انرژی بخش حمل و نقل کشور (اعم از انرژی برق، گاز طبیعی و فرآوردههای نفتی) به عنوان متغیر خروجی الگوهای پیشبینی و از دادههای سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگوهای پیشبینی استفاده شد که بازه زمانی این متغیرها، از سال 1347 تا سال 1385 است.
در پژوهش حاضر، برای پاسخ به این پرسش که کدام یک از متغیرهای ورودی (تعداد خودرو، جمعیت کشور و تولید ناخالص داخلی)، بیشترین تأثیر را بر خروجیها (میزان مصرف انرژی) داشته، از تحلیل حساسیت در شبکه عصبی استفاده شده است.
در پژوهشی مشابه که بدین منظور انجام شده، از دادههای سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگوهای پیشبینی و از دادههای سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو به عنوان متغیرهای ورودی الگوهای پیشبینی استفاده شده است (منهاج و همکاران، 1389)."