پيش بيني قيمت زغالسنگ در ايران با استفاده از الگوريتم بيان ژن

Coal price prediction utilizing gene expression programing in Iran

پيش‌بيني قيمت زغال‌سنگ با توجه به اهميت روزافزون آن در ايران و جهان و جايگاه مهم آن به‌عنوان منبع انرژي، اهميت بسيار زيادي دارد. در اين مقاله قيمت زغال توسط الگوريتم بيان ژن پيش‌بيني‌شده است. براي برنامه‌نويسي اين الگوريتم از عوامل تأثيرگذار بر قيمت زغال ازجمله ميزان ذخيره زغال‌سنگ در ايران، توليد، مصرف، صادرات و واردات زغال‌سنگ كشور، حقوق دولتي معادن زغال‌سنگ، قيمت جهاني زغال‌سنگ و نفت و هزينه‌هاي نيروي انساني استفاده‌شده است. در اين تحقيق ابتدا داده‌هاي مربوط به اين عوامل از سال 2010 تا 2017 جمع‌آوري شد. سپس ميزان تأثير عوامل مختلف بر قيمت زغال‌سنگ ارزيابي شد و درنهايت پس از پيش‌بيني مقادير محاسبه شده توسط الگوريتم بيان ژن، با داده‌هاي واقعي قيمت زغال سال 2017 مقايسه شدند و ميزان خطابه كمك معيارهاي آماري مختلف بررسي شد. نتايج تحليل حساسيت نشان داد كه همه عوامل يادشده بر دقت پيش‌بيني قيمت زغال‌سنگ تأثير مثبت دارند و بيشترين و كمترين تأثير به ترتيب مربوط به قيمت جهاني زغال (2/16 درصد) و حقوق دولتي (5 درصد) است. نتايج مطالعه نشان داد كه روش الگوريتم بيان ژن با در نظر گرفتن عوامل مختلف تأثيرگذار بر قيمت، مي‌تواند روش مناسبي براي تخمين قيمت سوخت‌هاي فسيلي در ايران باشد.

Coal price prediction due to its increasing importance in Iran and world and as well as its important role as an energy resource is a crucial issue. In this paper, coal price prediction is carried out using Gene Expression Programming (GEP) algorithm. In order to develop an evolutionary algorithm some factors including the amount of coal deposits in Iran, the production of coal in Iran, its exports and imports, its consumption, governmental taxes on coal, the global oil price, labor costs and world coal prices have been employed to develop the model. For this purpose, the coal price data from 2010 to 2017 has been used and the effect of different parameters on coal price was evaluated using GEP programing. In the next step, predicted values of the gene expression programming were compared with the actual data for the price of coal in 2017, and the error rate was determined using various statistical indexes. The results of sensitivity analysis revealed that all the variables had a positive effect on coal price, in which the global coal price (16.2%) and government taxes (5%) had highest and lowest effect on coal price respectively. The results of the study indicate that the Gene expression programming, considering the various parameters affecting the price of coal in Iran, could be a suitable method to estimate the price of fossil fuels such as coal in Iran.