CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

پیش بینی کوتاه مدت قیمت نفت خام با استفاده از شبکه عصبی پیشخور (Feed Forward)

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۱۸۲۶ | نظرات: ۰
سال انتشار: ۱۳۸۳
کد COI مقاله: IIEC03_080
زبان مقاله: فارسی
حجم فایل: ۱.۰۳ مگابات (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله پیش بینی کوتاه مدت قیمت نفت خام با استفاده از شبکه عصبی پیشخور (Feed Forward)

  محمدرضا امین ناصری - استادیار، دانشگاه تربیت مدرس، دانشکده فنی و مهندسی ، گروه صنایع
مجید اصفهانیان - کارشناس ارشد مهندسی صنایع، مدیریت سیستم و بهره وری دانشگاه صنعت آب و ب

چکیده مقاله:

ایران یکی از 5 کشور بزرگ مالک ذخایر نفتی در جهان است و درآمدهای ارزی حاصل از صادرات نفت، در بودجه کشور از جایگاه ویژه ای برخوردار است. علیرغم رشد صادرات محصولات غیر نفتی، هنوز هم نفت تامین کننده بیش از 98% انرژی اولیه کشور بوده و بخش اعظم اقتصادکلان کشور بر آن متکی است. لذا اهمیت تحقیق در زمینه مباحث مرتبط با اقتصاد نفت و بویژه مدلی که بتواند قیمت نفت را پیش بینی نماید، بر هیچکس پوشیده نیست. امروزه علاقه فراوانی در استفاده از سیستم های هوشمند و در جهت بهبود کیفیت تصمیمات مالی بوجود آمده است. بویژه شبکه عصبی که از طریق اموزش، توانایی یادگیری از تجارب گذشته و بهبود سطح کارایی خود را دارند . به همین جهت در این تحقیق با استفاده از یادگیری «هدایت شده» یک مدل شبکه عصبی برای «پیش بینی ماهانه قیمت نفت خام»، توسعه داده شده است. در فرایند توسعه این مدل، تاثیر انواع متغیرهای فنی (قیمت های تاخیر یافته،درصد تغییرات قیمت، میانگین قیمت ها، تغییرات تفکیک شده قیمت)، انواع متغیرهای بنیادی (ماه، فصل، تولید، نفت خام جهان و اوپک ، رشد جمعیت، رشد اقتصادی) ، تعداد نرون های لایه ورودی، تعداد لایه ها و نرون های پنهان، توابع تبدیل لایه ها، پیش پردازش مناسب داد ه ها، تقسیمات مختلف برای انتخاب مجموعه های آموزش و آزمایش و انواع الگوریتم های یادگیری بهبود یافته، با انجام آزمایشهای فراوان بررسی شده است . در نهایت یک شبکه پیشخور سه لایه (N9-2-8-1) با میانگین خطای مطلق 74 سنت در مجموعه آموزش و 71 سنت در مجموعه آزمایش، بعنوان بهترین مدل انتخاب گردیده است.

کلیدواژه‌ها:

قیمت نفت خام ، شبکه عصبی ، پیش بینی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-IIEC03-IIEC03_080.html
کد COI مقاله: IIEC03_080

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
امین ناصری, محمدرضا و مجید اصفهانیان، ۱۳۸۳، پیش بینی کوتاه مدت قیمت نفت خام با استفاده از شبکه عصبی پیشخور (Feed Forward)، سومین کنفرانس ملی مهندسی صنایع، تهران، انجمن مهندسی صنایع ایران، دانشگاه صنعتی امیر کبیر، https://www.civilica.com/Paper-IIEC03-IIEC03_080.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (امین ناصری, محمدرضا و مجید اصفهانیان، ۱۳۸۳)
برای بار دوم به بعد: (امین ناصری و اصفهانیان، ۱۳۸۳)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Y. Nelson and S. Stoner *Results of the Delphi VIII ...
  • H. Liao and S. Lin **The capture of oil price ...
  • Energy Information Admini stration (online) (cited 24 April 2003) _ ...
  • B. Abramson and A. Finniza _ ab i listic fo ...
  • M. A. Kaboudan _ Conmpumetric Forecasting of Crude Oil Prices? ...
  • J. R. Shah and M. B. Murtaza، A Neural Network ...
  • A. F. Atiya and S. M. El-Shoura and S. I. ...
  • G. Zhang and M. Y. Hu *^Neural Network Forecasting of ...
  • H. Khaloozadeh and A. Khaki Sedigh and C. Lucas *Long ...
  • H. Y. Lubis :Initial public offering prediction using neural network? ...
  • G. Tkacz *^Neural _ e tw o rk forecasting of ...
  • M. Ahmadian *Economics of oil in practice and theory' , ...
  • J. Dargay and D. Gately The Imperfect Price Reversibility of ...
  • H. Demuth and M. Beale 4;MATLAB 6.1 / Neural Network ...
  • I. D. Wilson and S. D. Paris and J. A. ...
  • I. Kaastra and M. Boyd :Designing a Neural network for ...
  • کنفرانس بین املی مهندسی صنایع ۲۳ و ۲۴ تیرماه ۱۳۸۳ ... (مقاله کنفرانسی)
  • International Industrial Engineering Conference 13&14th July 2004 ...
  • StatSoft, _ Series Prediction in ST Neural Networks' Available from ...
  • G. Zhang and B. E. Patuwo and M. Y. Hu ...
  • M. Qi and G. P. Zhang _ investigation of model ...
  • J. Yao and Y. Li and C. L. Tan 6Option ...
  • E. Azoff, ،Neural Network Time Series Forecasting of Financial Markets ...
  • G. Rech *Forecasting with artificial neural network models SSE/EFI Working ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۳۲۳۹۶
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.