پيش بيني مصرف بنزين درايران با استفاده از رهيافت هاي يادگيري عميق و سري هاي زماني

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

كمبود انرژي امروزه به عنوان مانعي جدي در دستيابي به توسعه اقتصادي مطرح است، به همين دليل مديريت تقاضاي آن مورد توجه كشورها است. در ايران بخش حمل و نقل سهم عمده­اي از مصرف انرژي دارد كه 7/99 درصد از آن متعلق به بنزين است. با توجه به روند افزايشي مصرف بنزين در ايران، كافي نبودن توليد داخل كشور، رشد قابل توجه واردات بنزين در سال­هاي اخير اهميت مديريت مصرف بنزين افزايش يافته است كه پيش­بيني هر چه دقيق­تر روند مصرف آن مي­تواند در تحقق اين امر بسيار مفيد باشد. اين مطالعه به پيش­بيني مصرف بنزين با استفاده از داده­هاي ماهانه با مقايسه عملكرد سه روش شبكه­هاي با حافظه طولاني كوتاه­مدت، نقشه­هاي خودسازمانده بازگشتي و روش سنتي ميانگين متحرك جمعبسته خود رگرسيون فصلي پرداخته است. نتايج حاكي از اين است كه روش يادگيري عميق شبكه­هاي با حافظه طولاني كوتاه­مدت و تواتر12 ماهه براي آموزش داده­ها كاراتر از دو روش ديگر است.

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 long-term and short-term memory, recursive self-organizing maps, and the traditional method of moving the average seasonal auto-regression. The results indicate that the use of 12-month time-frequency for data training had more accurate results compared to other data frequencies, and the deep learning method of networks with long-term short-term memory was more efficient than the other two methods.