الگوسازي و پيش بيني مصرف انرژي بخش حمل و نقل ايران: كاربردي از الگوهاي هوش مصنوعي

Energy Consumption Modeling and Forecasting in Iran’s Transportation Sector: Application of Artificial Intelligence Models

وابستگي روزافزون زندگي بشر به انرژي موجب شده است تا اين عامل به طور بالقوه‌ و بالفعل در كاركرد بخش‌هاي مختلف اقتصادي كشورها نيز نقش بسيار مهمي ايفا كند. از اين رو، مسيولان هر كشور بايد تلاش كنند تا با پيش‌بيني هر چه دقيق‌تر مصرف انرژي و برنامه‌ريزي صحيح در هدايت مصرف، پارامترهاي عرضه و تقاضاي انرژي را به نحو مطلوب كنترل كنند. هدف پژوهش حاضر، الگو سازي و پيش‌بيني مصرف انرژي بخش حمل و نقل ايران با استفاده از الگوهاي شبكه عصبي فازي، شبكه عصبي ژنتيك و شبكه عصبي است. از اين رو، از داده هاي سالانه مصرف انرژي بخش حمل و نقل كشور به عنوان متغير خروجي الگو هاي پيش‌بيني و از داده هاي سالانه جمعيت كل كشور، توليد ناخالص داخلي و تعداد خودرو، به عنوان متغيرهاي ورودي الگو هاي پيش‌بيني استفاده شد. در پايان دقت نتايج پيش‌بيني الگو هاي مختلف، با استفاده از شاخص هاي ارزيابي مقايسه گرديد. نتايج ارزيابي نشان داد كه الگوي شبكه عصبي فازي، نسبت به ساير الگو ها از بيشترين دقت در پيش بيني مصرف انرژي در بخش حمل و نقل كشور برخوردار است. همچنين بر اساس نتايج تحليل حساسيت ورودي ها به وسيله شبكه عصبي، ورودي جمعيت كشور به عنوان ورودي شناخته شد كه بيشترين تاثير را در مصرف انرژي دارد.

Ever-increasing dependence of human life on energy has made this factor play a critically crucial role either potentially or actively in the functions of various economic sectors of countries. Therefore, the people in charge of any country should try to make exact forecasting of energy consumption and make correct planning about its consumption in a way to optimally control supply-demand parameters. This study tries to make models and forecasts about energy consumption in Iran’s transportation sector through ‘Fuzzy Neural Network’, ‘Genetic Neural Network’ and ‘Neural Network’ models. Hence, annual data of Iran’s transportation sector energy consumption was taken as output variable of forecasting models while the annual data of population of the whole country, gross domestic product and the number of automobiles were used as the input variables of the forecasting model. Finally, the accuracy of models was assessed by using evaluation indicators. The assessment results indicated that ‘Fuzzy Neural Network’ model was more accurate than other ones considering energy forecasts in the country’s transportation sector. Meanwhile, according to the results of the inputs sensitivity analysis by neural network, Iran’s population input was identified as the input with most influence in energy consumption.