این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
انرژی ایران، جلد ۲۳، شماره ۲، صفحات ۷۱-۹۱
عنوان فارسی الگوی پیش بینی تقاضای بنزین در کلان شهر تهران: رویکرد شبکه عصبی مصنوعی
چکیده فارسی مقاله در مقایسه با روش های معمول، شبکه عصبی مصنوعی (ANN) یکی از ابزار قابل اعتماد برای مدل سازی پدیده های پیچیده مانند تقاضا است. هدف از این مطالعه ارائه مدل تقاضای بنزین در بخش حمل و نقل شهری تهران از طریق شبکه عصبی پروپرترون چند لایه و استفاده از مدل ارائه شده در تحلیل حساسیت مدل به متغیرهای ورودی و پیش بینی تقاضای بنزین است. هفت شاخص اجتماعی و اقتصادی در ماه های 2010 تا 2018 به صورت ماهیانه در نظر گرفته می شود: قیمت سوخت، جمعیت، درآمد خانوار متوسط، ضریب جینی، نسبت خودرو نسبت به خودروهای ترکیبی / بنزین، شاخص قیمت کالاها و خدمات و طول عمر وسایل نقلیه. میانگین خطای٪ 8/8 و٪ 4،6 برای داده های آموزشی و آزمون به دست آمد. نتایج تجزیه و تحلیل حساسیت نشان داد که نسبت خودروهای هیبریدی/ بنزینی (2.58-)، جمعیت تهران (1.596) و میانگین عمر وسایل نقلیه (0.698) تاثیر بیشتری بر تقاضای بنزین در بخش حمل و نقل دارند. مصرف سوخت توسط سه سناریوی متفاوت متوسط، بدبین و خوش بینانه تا سال 2022 پیش بینی شده است. نتایج پیش بینی شده نشان می دهد که در صورت ادامه روند فعلی متغیرهای توصیفی مدل، تقاضای بنزین در بخش حمل و نقل تهران تا سال 2022 افزایش خواهد یافت .
کلیدواژه‌های فارسی مقاله مدل سازی تقاضای سوخت، رویکرد ANN، تحلیل حساسیت، پیش بینی تقاضا
عنوان انگلیسی Using Social and Economic Indicators for Modeling, Sensitivity Analysis and Forecasting the Gasoline Demand in the Transportation Sector: An ANN Approach in case study for Tehran metropolis
چکیده انگلیسی مقاله Compared to the conventional methods, Artificial Neural Networks (ANN) are considered to be one of the reliable tools for modeling of complex phenomena such as demand. Aim of this study is to provide a model for gasoline demand in transportation section of Tehran metropolis through multilayered perceptron neural network and using the presented model in analyzing the sensitivity of the model to the input variables and forecasting gasoline demand. Seven social and economic indicators are considered on a monthly basis within 2010-2016: fuel price, population, median household income, Gini coefficient, hybrid/gasoline cars ratio, price index of goods and services, and average vehicles lifetime. The average percent error 3.8% and 4.6% for the training and test data were obtained respectively. Sensitivity analysis results showed that, hybrid/gasoline cars ratio SX6F= -2.580, population of Tehran SX1F= 1.596 and average lifetime of the vehicles SX7F = 0.698 have greater influence on gasoline demand in transportation section. Fuel consumption was predicted by three different scenarios of moderate, pessimistic and optimistic by 2022. The prediction results showed that in case of the continuation of the current trend of the descriptive variables of the model, gasoline demand in Tehran transportation section will be increased by 2022. Finally, the result of projection of the gasoline demand is presented based on three scenarios for future 48 months (4 years). These scenarios are based on the 3 baseline, pessimistic and optimistic views illustrating the demand of gasoline by 2020.  
کلیدواژه‌های انگلیسی مقاله Fuel demand modeling, ANN approach, Sensitivity analysis, Demand forecasting
نویسندگان مقاله مریم فانی | Maryam Fani
Tehran polytechnic university
صنعتی امیرکبیر

نیما نوروزی | Nima Norouzi
Tehran polytechnic university
صنعتی امیرکبیر

نشانی اینترنتی http://necjournals.ir/browse.php?a_code=A-10-1734-4&slc_lang=en&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده آینده پژوهی در صنعت انرژی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات