TY - JOUR T1 - Energy Consumption Modeling and Forecasting in Iran’s Transportation Sector: Application of Artificial Intelligence Models TT - الگوسازی و پیش‌بینی مصرف انرژی بخش حمل و نقل ایران: کاربردی از الگوهای هوش مصنوعی JF - imps JO - imps VL - 17 IS - 1 UR - http://jpbud.ir/article-1-528-fa.html Y1 - 2012 SP - 29 EP - 47 KW - Energy Consumption KW - Multiple Regression KW - Neural Network KW - Genetic Algorithm KW - Fuzzy Neural Network N2 - وابستگی روزافزون زندگی بشر به انرژی موجب شده است تا این عامل به طور بالقوه‌ و بالفعل در کارکرد بخش‌های مختلف اقتصادی کشورها نیز نقش بسیار مهمی ایفا کند. از این رو، مسئولان هر کشور باید تلاش کنند تا با پیش‌بینی هر چه دقیق‌تر مصرف انرژی و برنامه‌ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای انرژی را به نحو مطلوب کنترل کنند. هدف پژوهش حاضر، الگو‌سازی و پیش‌بینی مصرف انرژی بخش حمل و نقل ایران با استفاده از الگوهای شبکه‌ عصبی فازی، شبکه عصبی ژنتیک و شبکه عصبی است. از این رو، از داده‌های سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگو‌های پیش‌بینی و از داده‌های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگو‌های پیش‌بینی استفاده شد. در پایان دقت نتایج پیش‌بینی الگو‌های مختلف، با استفاده از شاخص‌های ارزیابی مقایسه گردید. نتایج ارزیابی نشان داد که الگوی شبکه عصبی فازی، نسبت به سایر الگو‌ها از بیشترین دقت در پیش-بینی مصرف انرژی در بخش حمل و نقل کشور برخوردار است. همچنین بر اساس نتایج تحلیل حساسیت ورودی‌ها به وسیله شبکه عصبی، ورودی جمعیت کشور به عنوان ورودی شناخته شد که بیشترین تأثیر را در مصرف انرژی دارد. M3 ER -