نویسندگان

• محمدباقر منهاج
• عالیه کاظمی
• حامد شکوری گنجوی
• محمدرضا مهرگان
• محمدرضا تقی زاده

-

چکیده

در این مقاله با استفاده از شبکه های عصبی مصنوعی و با در نظر گرفتن شاخص های اقتصادی و
اجتماعی، تقاضای انرژی بخش حمل و نقل کشور در سال های 1386 تا 1400 پیش بینی شده است. از
شبکه های عصبی رو به جلو با ناظر برای پیش بینی و از الگوریتم پس انتشار برای آموزش شبکه ها
استفاده شده است. برای بررسی تأثیر شاخص های اقتصادی و اجتماعی بر تقاضای انرژی بخش حمل
و نقل، داده های مربوط به تولید ناخالص داخلی، جمعیت و تعداد خودرو طی سال های 1347 تا 1385
به کار گرفته شده است. نتایج حاصل از پیش بینی با این روش در مقایسه با روش رگرسیون
چندمتغیره، نشان دهنده خطای به مراتب کمتری است،؛ به طوری که درصد میانگین قدرمطلق خطا
6% کاهش یافت. / 15 % به 05 / از 52

کلیدواژه‌ها

• تقاضای انرژی بخش حمل و نقل
• پیش بینی
• شبکه های عصبی
• الگوریتم پس انتشار

عنوان مقاله [English]

Transport Energy Demand Forecasting Using Neural Networks: Case Study Iran

نویسندگان [English]

• - -
• - -
• - -
• - -
• - -

چکیده [English]

In this paper, the energy demand of transport sector from 1386 to 1400 was
forecasted using artificial neural networks (ANN) approach considering
economic and social indicators. Feed forward supervised neural networks to
forecast and back propagation algorithm to train networks were used. In
order to analyze the influence of economic and social indicators on energy
demand of transport sector, Gross Domestic Product (GDP), population and
the total number of vehicles in 1347-1385 were taken into consideration. The
obtained results as compared with the multiple regression method, revealed
much less mistakes. The average absolute error percentage was decreased
from 15.52% to 6.05%.
.

کلیدواژه‌ها [English]

• forecasting
• Neural Networks
• Transport energy demand
• Back propagation algorithm