پیش بینی مصرف بنزین درایران با استفاده از رهیافت های یادگیری عمیق و سری های زمانی

نوع مقاله : علمی-پژوهشی

نویسندگان

1 استادیار گروه اقتصاد، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی قزوین

2 کارشناس ارشد آمار، دانشگاه علامه طباطبایی

10.30465/ce.2021.6974

چکیده

کمبود انرژی امروزه به عنوان مانعی جدی در دستیابی به توسعه اقتصادی مطرح است، به همین دلیل مدیریت تقاضای آن مورد توجه کشورها است. در ایران بخش حمل و نقل سهم عمده­ای از مصرف انرژی دارد که 7/99 درصد از آن متعلق به بنزین است. با توجه به روند افزایشی مصرف بنزین در ایران، کافی نبودن تولید داخل کشور، رشد قابل توجه واردات بنزین در سال­های اخیر اهمیت مدیریت مصرف بنزین افزایش یافته است که پیش­بینی هر چه دقیق­تر روند مصرف آن می­تواند در تحقق این امر بسیار مفید باشد. این مطالعه به پیش­بینی مصرف بنزین با استفاده از داده­های ماهانه با مقایسه عملکرد سه روش شبکه­های با حافظه طولانی کوتاه­مدت، نقشه­های خودسازمانده بازگشتی و روش سنتی میانگین متحرک جمع‎بسته خود رگرسیون فصلی پرداخته است. نتایج حاکی از این است که روش یادگیری عمیق شبکه­های با حافظه طولانی کوتاه­مدت و تواتر12 ماهه برای آموزش داده­ها  کاراتر از دو روش دیگر است.

کلیدواژه‌ها


عنوان مقاله [English]

Predicting gasoline consumption in Iran using deep learning and time series approaches

نویسندگان [English]

  • n b 1
  • ali rezaei 2
1 Assistant professor of Economics, Department of Qazvin Branch, Islamic Azad University
2 Master of Mathematical Statistics, University of Allameh Tabataba’i
چکیده [English]

Today, energy shortages are a serious issue to achieve economic development, which is why demand management is an attractive concern for countries. In Iran, the transportation sector has a major share of energy consumption, 99.7% of which belongs to gasoline. The increasing trend of gasoline consumption in Iran, insufficient domestic production, significant growth of gasoline imports in recent years show the incremental importance of managing gasoline consumption in Iran, so, predicting the consumption process as accurately as possible can be very useful in achieving this. This study predicts gasoline consumption using monthly data by comparing the efficiency of three methods, networks with long-term and short-term memory, recursive self-organizing maps, and the traditional method of moving the average seasonal auto-regression. The results indicate that the use of 12-month time-frequency for data training had more accurate results compared to other data frequencies, and the deep learning method of networks with long-term short-term memory was more efficient than the other two methods.

کلیدواژه‌ها [English]

  • Gasoline Consumption Predicting
  • Deep Learning
  • Long Short-Term memory
  • Recurrent Self-Organizing Map JEL Classification: Q41
  • E17
  • Q47