استفاده از تكنيك درون‌يابي كريجينگ به‌منظور پيش‌بيني قيمت گاز طبيعي و بهينه‌سازي آن با الگوريتم نلدر- ميد

Natural Gas Price Forecasting using Kriging Interpolation Technique and Neldar-Mead Optimization Algorithm

پيش‌بيني سري‌هاي اقتصادي با نوسانات زياد و عدم قطعيت بالا – همچون قيمت گاز طبيعي - همواره يكي از چالش‌هاي اساسي در مدلهاي اقتصادسنجي به شمار ميرود؛ زيرا نميتوان از مدلهاي ساختار خطي سنتي براي پيش‌بيني سري‌هاي زماني پيچيده و غيرخطي استفاده نمود. در خصوص پيش‌بيني قيمت گاز طبيعي، يافته‌ها از برتري شبكه عصبي در مقايسه با مدلهاي رگرسيوني حكايت دارد. با اين وجود، چالش اصلي اين روش (امكان هم‌پوشاني و نيز عدم خروج داده‌هاي پِرت از سيستم) فضاي تحقيقاتي در اين حوزه را كماكان باز نگه داشته است. در اين پژوهش از تكنيك درون‌يابي كريجينگ به منظور پيش‌بيني قيمت گاز طبيعي استفاده شده است. براي اين منظور، پس از شناسايي پارامترهاي مؤثر؛ نمونه‌گيري و نرمال‌سازي آنها؛ توابع پيش­بيني كريجينگ را ايجاد و با تكنيك بهينه‌سازي نلدر - ميد آنها را بهبود بخشيديم. نتايج تحقيق نشان ميدهد كه متامدل كريجينگ پيش‌بيني دقيق تري نسبت به مدل پيش‌بيني شبكه عصبي مصنوعي ارائه ميدهد. همچنين يافته‌هاي تحقيق حاكي از اين است كه الگوريتم بهينه‌سازي نلدر - ميد تا حدي موجب بهتر شدن نتايج پيش‌بيني گشته است؛ هرچند مقدار اين بهبود چندان قابل ملاحظه نمي‌باشد.

The prediction of economic series with high volatility and high uncertainty - such as natural gas prices - is always a challenge in econometric models, because the use of traditional linear modeling models does not allow us to predict complex and nonlinear time series. Regarding the prediction of natural gas prices, findings point to superiority of the neural network compared to regression models. Nevertheless, the main challenge of this method - the possibility of overlapping and noise of data from the system - has kept the choice for an optimal method open. In this study we use the Kriging interpolation to predict the price of natural gas. For this purpose, after identifying the effective parameters, sampling and normalizing them, we created a Kriging predicting functions and improved it with the Nelder-Mead optimization technique. ​The results of the study show that the Kriging metamodel provides a more accurate prediction than the artificial neural network prediction model. Our research findings also suggest that the Neldar-Mead optimization algorithm has somewhat improved the predicted results. However, theextent of this improvement is not remarkable.