عملکرد دو روش ARIMA و شبکه عصبی GMDH در پیش‌بینی تقاضای گاز طبیعی در بخش‌های مختلف (ایران:1380-1389)

باتوجه به افزایش روزافزون مصرف گاز طبیعی، برنامه‌ریزی در بخش گاز طبیعی و بررسی و پیش‌بینی تقاضای گاز طبیعی جهت دستیابی به امنیت عرضه انرژی گاز طبیعی و به‌دنبال آن توسعه پایداراهمیت فراوانی دارد. از این‌رو در این تحقیق تقاضای گاز طبیعی در بخش‌های خانگی-تجاری، صنعت و نیروگاه که جز مصرف‌کنندگان عمده گاز طبیعی هستند مورد بررسی قرار‌گرفته و از دو روش arima (autoregressive integrated moving average) و شبکه عصبی gmdh (group method of data handling) برای پیش‌بینی تقاضای گاز طبیعی و از معیارهای mse (mean squared error)، rmse (root mean squared error)، درصد خطای پیش‌بینی و دقت پیش‌بینی برای مقایسه دو روش استفاده شده‌است. با توجه به نتایج، دقت پیش‌بینی به‌ترتیب در سه بخش خانگی‌-‌تجاری‌، صنعتی و نیروگاه در روش arima، 8/93، 3/98 و 87 درصد و در روش شبکه عصبی gmdh، 4/96، 99 و 2/98 درصد به‌دست آمده است و معیارهای rmse و mse در هر سه بخش برای روش شبکه عصبی gmdh کوچک‌تر از روش arima بوده است. از این‌رو می‌توان نتیجه گرفت که با توجه به مدلسازی صورت گرفته، روش شبکه عصبی gmdh عملکرد و دقت بالاتری نسبت به روش arima در پیش‌بینی تقاضای گاز طبیعی دارد.