استفاده از تکنیک درون‌یابی کریجینگ به‌منظور پیش‌بینی قیمت گاز طبیعی و بهینه‌سازی آن با الگوریتم نلدر- مید

پیش‌بینی سری‌های اقتصادی با نوسانات زیاد و عدم قطعیت بالا همچون قیمت گاز طبیعی همواره یکی از چالش‌های اساسی در مدل های اقتصادسنجی به شمار می رود؛ زیرا نمی توان از مدل های ساختار خطی سنتی برای پیش‌بینی سری‌های زمانی پیچیده و غیرخطی استفاده نمود. در خصوص پیش‌بینی قیمت گاز طبیعی، یافته‌ها از برتری شبکه عصبی در مقایسه با مدل های رگرسیونی حکایت دارد. با این وجود، چالش اصلی این روش (امکان هم‌پوشانی و نیز عدم خروج داده‌های پِرت از سیستم) فضای تحقیقاتی در این حوزه را کماکان باز نگه داشته است. در این پژوهش از تکنیک درون‌یابی کریجینگ به منظور پیش‌بینی قیمت گاز طبیعی استفاده شده است. برای این منظور، پس از شناسایی پارامترهای موثر؛ نمونه‌گیری و نرمال‌سازی آنها؛ توابع پیش بینی کریجینگ را ایجاد و با تکنیک بهینه‌سازی نلدر مید آنها را بهبود بخشیدیم. نتایج تحقیق نشان می دهد که متامدل کریجینگ پیش‌بینی دقیق تری نسبت به مدل پیش‌بینی شبکه عصبی مصنوعی ارائه می دهد. همچنین یافته‌های تحقیق حاکی از این است که الگوریتم بهینه‌سازی نلدر مید تا حدی موجب بهتر شدن نتایج پیش‌بینی گشته است؛ هرچند مقدار این بهبود چندان قابل ملاحظه نمی‌باشد.

Natural Gas Price Forecasting using Kriging Interpolation Technique and Neldar-Mead Optimization Algorithm

The prediction of economic series with high volatility and high uncertainty such as natural gas prices is always a challenge in econometric models, because the use of traditional linear modeling models does not allow us to predict complex and nonlinear time series. Regarding the prediction of natural gas prices, findings point to superiority of the neural network compared to regression models. Nevertheless, the main challenge of this method the possibility of overlapping and noise of data from the system has kept the choice for an optimal method open.In this study we use the Kriging interpolation to predict the price of natural gas. For this purpose, after identifying the effective parameters, sampling and normalizing them, we created a Kriging predicting functions and improved it with the NelderMead optimization technique. ​The results of the study show that the Kriging metamodel provides a more accurate prediction than the artificial neural network prediction model. Our research findings also suggest that the NeldarMead optimization algorithm has somewhat improved the predicted results. However, theextent of this improvement is not remarkable.