استفاده از رهيافت شبكه عصبي در پيش‌بيني مصرف انرژي خط يك متروي تهران

Prediction of Energy Consumption in the First Line of Tehran Metro: GMDH Neural Network Approach

امروزه انرژي و ميزان مصرف آن، محور استراتژيك برنامه‌ريزي‌هاي سازماني است. گسترش سيستم حمل‌ونقل درون‌شهري بدون در نظر گرفتن شرايط گوناگون اقتصادي، علمي، صنعتي، آب و هوايي و رشد روزافزون شهرنشيني امكان­ ناپذير است. تحليل روندهاي پيشين اطلاعات مصرف انرژي جهت پيش­بيني روندهاي آينده با درنظرگرفتن نرخ توسعه خطوط مترو، راه­حلي كليدي در راستاي برنامه‌ريزي‌ها و سياست­ گذاري­ هاي كلان آينده محور خواهد بود. در اين پژوهش براي پيش­ بيني مصرف انرژي خط يك متروي تهران از مدل شبكه عصبي GMDH استفاده‌شده است كه از قابليت شناسايي و غربال كردن متغيرهاي ورودي كم اثر در دورۀ آموزش شبكه و حذف آن­ها در دورۀ آزمون، برخوردار مي­ باشد و همچنين براي درك ميزان دقت پيش بيني با مدل ARIMA مورد مقايسه قرارگرفته است. در اين پژوهش، دوازده متغير اثرگذار بر ميزان مصرف انرژي متروي تهران شناسايي‌شده و به‌عنوان متغيرهاي ورودي مدل در نظر گرفته‌شده است. نتايج حاكي از آن است كه مدل شبكه عصبي GMDH، به‌مراتب خطاي كمتري را نسبت به مدل ARIMA دارد و از دقت پيش ­بيني بالاتري برخوردار است.

Today, energy and its consumption are the main strategic plan of organizations and also the development of urban transport systems by considering a variety of economic, scientific, industrial, climate and growing urbanization is essential. Analysis of past trends in energy is the key to predict future trends, with regard to the rate of development of metro, for planning and future-oriented macro economic policies. in this research has been used to predict the energy consumption of Tehran Metro Line 1 from the GMDH Neural Network Model Which is capable of detecting and screening low-input input variables In the course of training the network and removing them during the exam period. and also Was compared To understand the accuracy of the prediction with the ARIMA model. in this research, was detected twelve variables affecting Tehran's metro energy consumptionand is considered as input variables of the model. The results indicate that The GMDH neural network model has a much lower error rate than the ARIMA model and has a higher predictive accuracy.