عنوان لاتین:
Forecasting Oil Price Trend in the Global Market using Intelligent Algorithm
شاخه علمی:
پایان‌نامه مدیریت
گرایش علمی:
مدیریت اجرایی
قالب اجرا:
پایان‌نامه غیرصنعتی
کارفرما:
استاد راهنما:
رضا تهرانی
استاد مشاور:
محمود فیروزیان
دانشگاه:
دانشگاه تهران
مقطع تحصیلی:
پایان‌نامه کارشناسی ارشد
سال دفاع:
۱۳۸۹
کلیدواژه‌ها:
شبکه عصبی مصنوعی, الگوریتم ژنتیک, نفت خام, بهینه سازی
Artificial Neural Network, Genetic Algorithm, Crude Oil, Optimization
چکیده:
هم اکنون نفت خام به عنوان یکی از پر مصرفترین منابع انرژی در کنار ذغال سنگ و گاز طبیعی مطرح است که پیش بینی شده است که تا سال ۲۰۳۰ در حدود ۸۶ درصد میزان انرژی ایالات متحده را تشکیل دهد. لذا تغییرات قیمت نفت خام می تواند اثرات گسترده ای در اقتصاد جهانی داشته باشد. در این مطالعه از یک مدل بهینه شده ترکیبی با استفاده از منطق فازی، شبکه عصبی و الگوریتم ژنتیک برای پیش بینی قیمت نفت خام استفاده شده است. به همین منظور از یک شبکه عصبی سه لایه بهمراه فیدبک استفاده شده است. سپس با تغییر الگوریتم آموزش از یک الگوریتم ژنتیک برای آموزش و بهینه کردن شبکه استفاده شده است. داده های ورودی برای آموزش شبکه با استفاده از منطق فازی رتبه بندی شده اند. در این تحقیق الگوریتم ژنتیک علاوه بر بهینه سازی و تعیین گینهای شبکه، وظیفه ساده سازی فضای پارامترها و حذف داده های نویزی را بعهده دارد. جهت تست نهایی شبکه از اطلاعات واقعی قیمت نفت خام WTI و نفت سبک ایران از سال ۱۹۸۹ تا ۲۰۰۹ استفاده شده است. نتایج تحقیق نشان می دهد که میزان دقت و راندمان و سرعت آموزش در شبکه بهینه شده بمراتب از شبکه مرسوم BPLT بیشتر بوده و خروجی آن از قابلیت اطمینان بالاتری برخوردار می باشد. همچنین مدل بهینه شده در برابر اطلاعات نویزی مقاوم تر می باشد.
Crude oil is one of the most critical energy commodities while with coal and natural gas are projected to provide roughly the 86% share of the total US primary energy supply in 2030. In this study, a novel hybrid optimum model based on artificial intelligent (AI) is proposed for world crude oil spot price forecasting. A three-layer back propagation neural network (FNN) model was used to model the oil price forecasting. Genetic algorithm (GA) is employed not only to improve the learning algorithm, but also to reduce the complexity in parameter space. GA optimizes simultaneously the connection weights between layers and the thresholds. In addition, GA reduces the dimension of the feature space and eliminates irrelevant factors. For verification and testing, two main crude oil price series, West Texas Intermediate (WTI) crude oil spot price and Iran crude oil are used to test the effectiveness of the proposed optimized neural network. Results show that optimized model has advantages in compare with conventional ANN in terms of accuracy, variability, model creation and model examination. Both simulated and actual data sets are used for comparison.