پیش بینی مصرف بنزین درایران با استفاده از رهیافت های یادگیری عمیق و مدل های کلاسیک سری زمانی

با گسترش صنایع، افزایش جمعیت و توسعه بخش حمل و نقل در جهان تقاضای انرژی به شدت افزایش یافته و امروز نقش مهمی را در اقتصاد کشورها بای می کند. کمبود انرژی امروزه به عنوان مانعی جدی در دستیابی به توسعه اقتصادی مطرح است، به همین دلیل مدیریت تقاضای آن مورد توجه کشورها است. در ایران بخش حمل و نقل سهم عمده­ای از مصرف انرژی دارد که 99/7 درصد از آن متعلق به بنزین در ایران، کافی نبودن تولید داخل کشور، رشد قابل توجه واردات بنزین در سال های اخیر اهمیت مدیریت مصرف بنزین افزایش یافته است که پیش بینی هر چه دقیق تر روند مصرف آن می تواند در تحقق این امر بسیار مفید باشد. این مطالعه به پیش بینی مصرف بنزین با استفاده از داده های ماهانه با مقایسه عملکرد سه روش شبکه های با حافظه طولانی کوتاه مدت، نقشه های خودسازمانده بازگشتی و روش سنتی میانگین متحرک جمع‎بسته خود رگرسیون فصلی پرداخته است. نتایج حاکی از این است که روش یادگیری عمیق شبکه های عصبی با حافظه طولانی کوتاه مدت و تواتر12 ماهه برای آموزش داده ها  کاراتر از دو روش دیگر است.

Predicting gasoline consumption in Iran using deep learning and classic methods of time series approaches

Today, energy shortages are a serious issue to achieve economic development, which is why demand management is an attractive concern for countries. In Iran, the transportation sector has a major share of energy consumption, 99.7% of which belongs to gasoline. The increasing trend of gasoline consumption in Iran, insufficient domestic production, significant growth of gasoline imports in recent years show the incremental importance of managing gasoline consumption in Iran, so, predicting the consumption process as accurately as possible can be very useful in achieving this. This study predicts gasoline consumption using monthly data by comparing the efficiency of three methods, networks with longterm and shortterm memory, recursive selforganizing maps, and the traditional method of moving the average seasonal autoregression. The results indicate that the use of 12month timefrequency for data training had more accurate results compared to other data frequencies, and the deep learning method of networks with longterm shortterm memory was more efficient than the other two methods.