مدلسازی الگوریتم‌های غیرخطی هوش‌مصنوعی در پیش‌بینی قیمت نفت

نوسانات زیاد قیمت نفت خام به عنوان منبع اصلی انرژی و ماده‌اولیه مهم صنعت شیمیایی جهانی، اهمیت تخمین دقیق و پیش‌بینی روند قیمت آنرا دوچندان کرده است. از اینرو هدف از انجام پژوهش کاربردی حاضر افزایش توان پیش‌بینی قیمت نفت‌خام با استفاده از الگوی‌های غیرخطی در هوش مصنوعی است. برای دستیابی به این هدف چهار شبکه پروسپترون ساده، شبکه بازگشتی، شبکه حافظه طولانی کوتاه‌مدت و شبکه عصبی واحدهای برگشتی گیت‌دار مدلسازی شده است سپس توانمندی آن‌ها نسبت به یکدیگر و مدل معیار مقایسه، و دقت پیش‌بینی آن‌ها با استفاده از روش خطای مربعات میانگین اشتباهات ارزیابی شده است. نمونه مورد مطالعه داده‌های نفت‌ خام برنت دریای شمال از تاریخ 2007/08/01 لغایت 2024/05/31 به صورت روزانه و ماهانه و سالانه است. نتایج پژوهش نشان می‌دهد که معماری شبکه در این مدل‌ها نسبت به مدل‌های پیشین، در استخراج اطلاعات از داده‌ها توانمندتر بوده و زمان دستیابی به قیمت‌های آینده بهبود بخشیده ‌شده‌ است. همچنین از میان الگوهای غیرخطی، الگوی شبکه‌ بازگشتی گیت‌دار در فرکانس‌های مختلف پیش‌بینی دقیق‌تر و با خطای کمتری از قیمت نفت را به دست می‌دهد

modeling of artificial intelligence non-linear algorithms in oil price forecasting

high fluctuations in the price of crude oil, as the main source of energy and an important raw material of the global chemical industry, has doubled the importance of accurate estimation and forecasting of its price trend in recent years. the purpose of this applied research, is to increase the ability to predict crude oil prices using non-linear patterns by artificial intelligence. for this purpose, four artificial intelligence networks mlp, rnn, lstm and gru have been used and their capabilities compared to each other and the benchmark model, besides their prediction accuracy have been evaluated using the mean squared error method. the studied sample is north sea brent crude oil data from aug 1st 2007 to may 31st 2024 on a daily, monthly and yearly basis.the results of the research indicate that the network architecture in these models have several advantages in extracting information from the data in order to make more accurate predictions, and the time to obtain future prices is shorter and less error-prone. also, among the selected non-linear models, gru has more accurate predictions with less error in different frequencies and in a shorter time.