RT - Journal Article T1 - Energy Consumption Modeling and Forecasting in Iran’s Transportation Sector: Application of Artificial Intelligence Models JF - imps YR - 2012 JO - imps VO - 17 IS - 1 UR - http://jpbud.ir/article-1-528-fa.html SP - 29 EP - 47 K1 - Energy Consumption K1 - Multiple Regression K1 - Neural Network K1 - Genetic Algorithm K1 - Fuzzy Neural Network AB - 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. LA eng UL http://jpbud.ir/article-1-528-fa.html M3 ER -