کاربرد الگوریتم ژنتیک در بهینه‌سازی معماری شبکه عصبی و پیش‌بینی قیمت نفت (GADDN)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی صنایع دانشگاه سیستان و بلوچستان

2 دانشجوی کارشناسی ارشد مهندسی صنایع دانشگاه سیستان و بلوچستان

چکیده

پیش‌بینی صحیح قیمت نفت نقش مهمی را در هدایت سیاست‌های پولی کشورهای مختلف ایفا می‌کند. اهمیت این نقش به‌طور مشهود در کشورهای واردکننده و صادرکننده نفت به چشم می‌خورد. در این مقاله از الگوریتم ژنتیک برای بهینه‌سازی معماری و ساختار شبکه عصبی مصنوعی بهره برده‌ایم. در طی فرآیند بهینه‌سازی، وزن‌ها، بایاس و ساختار شبکه عصبی محاسبه می‌شوند تا بدین طریق از پیچیدگی­های ناشی استفاده از شبکه عصبی مصنوعی در پیش­بینی کاسته گردد. برای بررسی عملکرد مدل شبکه عصبی اصلاح‌شده با الگوریتم ژنتیک (GADNN) از آن برای پیش­بینی قیمت نفت اینترمدیت وست تگزاس (WTI) در سال 2012 تا انتهای 2015 استفاده می­شود. نتایج پژوهش نشان‌دهنده عملکرد بهتر و دقت بیشتر مدل پیشنهادی پژوهش حاضر در مقایسه با سایر مدل‌های شبکه عصبی مصنوعی در پیش­بینی قیمت نفت می­باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Application of Genetic Algorithm to Optimization Neural Network Architecture in Predicting Oil Prices (GADDN)

نویسندگان [English]

  • farzad firozi jahantigh 1
  • Safoora dehghani 2
چکیده [English]

The correct forecasting of oil prices plays an important role in conducting the monetary policy of different nations. Its importance is obvious in the countries exporting and importing oil. This paper uses the genetic algorithm to optimize the neural network model and structure. During the optimization process, the weights, biases and structure of the neural network are calculated. The aim of this work is reducing the complexities of using artificial neural network in forecasting. The performance of the proposed method (GADNN) is investigated by applying it WTI oil price time series prediction problems from 2012 to the end of 2015. The results show better performance and accuracy when we compare it with other neural networks model in prediction oil price.

کلیدواژه‌ها [English]

  • Predicting oil price
  • artificial neural networks
  • Genetic Algorithm

مراجع

ابریشمی، حمید؛ بهرادمهر، نفیسه و سیفی، طاهره (1392). «پیش‌بینی قیمت نفت خام با استفاده از تبدیل موجک، مدل‌های غیرخطی و مدل‌های خطی»، فصلنامه مطالعات اقتصادی کاربردی ایران، 2(7): 41-62.
اصفهانیان، مجید و امین ناصری، محمدرضا (1387). «ارائه یک مدل شبکه عصبی جهت پیش‌بینی کوتاه‌مدت قیمت نفت خام»، نشریه بین‌المللی علوم مهندسی دانشگاه علم و صنعت ایران، شماره 1، جلد 19: 25-37.
پورکاظمی، محمدحسین و اسدی، محمدباقر (1388). «پیش‌بینی پویای قیمت نفت خام با استفاده از شبکه‌های عصبی مصنوعی و با به‌کارگیری ذخیره‌سازی‌های نفتی کشورهای OECD»، مجله تحقیقات اقتصادی، شماره 88: 25-36.
جوانمرد، حبیب­اله و فقیدیان، سیده فاطمه (1393). «پیش­بینی قیمت نفت خام اوپک با به‌کارگیری مدل پیش‌بینی خاکستری»، فصلنامه مدلسازی اقتصادی، سال هشتم، شماره 3، پیاپی 27: 91-114.
دشتی رحمت‌آبادی، سید ابراهیم؛ محمدی، حمید و فرج‌زاده، زکریا (1390). «ارزیابی عملکرد الگوهای مختلف شبکه عصبی و خود رگرسون میانگین متحرک در پیش‌بینی قیمت نفت خام ایران»، فصلنامه مطالعات اقتصاد انرژی، سال هشتم، شماره 28، دوره اول، 97-118.
صادقی، حسین؛ ذوالفقاری، مهدی و الهامی‌نژاد، مجتبی (1390). «مقایسه عملکرد شبکه عصبی و ARIMA در مدل‌سازی پیش‌بینی کوتاه‌مدت قیمت سبد نفت خام اپک (با تأکید بر مطالعات تطبیقی)»، فصلنامه مطالعات اقتصادی ایران، سال هشتم، شماره 28: 25-47.
عباسی‌نژاد، حسین؛ گندلی علیخانی، نادیا و نادری، اسماعیل (1392). «تحلیل و پیش‌بینی اثرات غیرخطی در بازار نفت»، فصلنامه برنامه‌ریزی بودجه، سال هجدهم، شماره 3: 21-48.
کمیجانی، اکبر؛ نادری، اسماعیل و گندلی علیخانی، نادیا (1391). «مقایسه انواع مدل‌های واریانس ناهمسان شرطی در مدل‌سازی و پیش‌بینی نوسانات قیمت نفت»، فصلنامه مطالعات اقتصاد انرژی، سال نهم، شماره 35، دوره چهارم، 121-146.
گلستانی، شهرام؛ گرگینی، مصطفی و حاج عباسی، فاطمه (1391). «مقایسه توانایی پیش‌بینی مدل‌های ARIMA،VAR و شبکه‌های عصبی (ANN) تقاضای جهانی نفت اوپک»، فصلنامه اقتصاد محیط زیست و انرژی ، سال اول، شماره 4: 145-168.
مشیری، سعید و فروتن، فائزه (1383). «آزمون آشوب و پیش‌بینی قیمت‌های آتی نفت خام»،  پژوهش‌های اقتصادی ایران، دوره 6، شماره 21: 67-90.
منجمی، امیرحسین؛ ابزری، مهدی و رعیتی شوازی، علیرضا (1388). «پیش‌بینی قیمت سهام در بازار بورس اوراق بهادار با استفاده از شبکه عصبی فازی و الگوریتم‌های ژنتیک و مقایسه آن با شبکه عصبی مصنوعی»، فصلنامه اقتصاد مقداری (بررسی‌های اقتصادی سابق)، دوره 6، شماره 3: 1-26.
مهرگان، نادر و سلمانی، یونس (1393). «نوسانات قیمتی نفت و رشد پایدار اقتصادی: مطالعه­ی موردی ایران و ژاپن»، فصلنامه علمی- پژوهشی مطالعات اقتصادیِ کاربردی ایران، دوره 3، شماره 10: 107-125.
یوسفی، محمدقلی؛ محمدی، تیمور و معرف‌زاده، نوید (1392). «پیش­بینی مقدار تقاضای نفت خام ایران با استفاده از شبکه­های عصبی مصنوعی (ANN) و مدل ARMAX»، فصلنامه اقتصاد انرژی ایران، سال دوم، 7(2): 147-170.
Abbasi-Godarzi, A.; Madadi-Amiri, R.; Talaei, A. and Jamasb, T. (2014). “Predicting oil price movements: A dynamic Artificial Neural Network approach”. Energy Policy Vol. 68: 371-382.
Abramson, B. and Finizza, A. J. (1993). '' A Belief Network-Based System that Forecasts the Oil Market by Constructing Producer Behavior''. In Proceedings of the 15th North American Conference of the International Association for Energy Economics: 152-159.
Alexandridis, A. and Livanis. E. (2008). “Forecasting crude oil prices using wavelet neural networks”. Proceedings of the 5th FSDET.
Alizadeh, A. and Mafinezhad, K. (2010). "Monthly Brent oil price forecasting using artificial neural networks and crisis index". In Electronics and Information Engineering (ICEIE), 2010 International Conference, 2, V2-465,
Amin-Naseri, M. R. and Gharacheh, E. A. (2007). "A hybrid artificial intelligence approach to monthly forecasting of crude oil price time series". Paper presented at the The Proceedings of the 10th International Conference on Engineering Applications of Neural Networks, CEUR-WS284.
Azadeh, A.; Moghaddam, M.; Khakzad, M. and Ebrahimipour, V. (2012). "A flexible neural network-fuzzy mathematical programming algorithm for improvement of oil price estimation and forecasting". Computers & Industrial Engineering, 62(2): 421-430.
Boroushaki, M.; Ghofrani, M.B.; Lucas, C. and Yazdanpanah, M. J. (2003); “Identification and control of an uclear reactor core (VVER) recurrent neural networks and fuzzy system”, IEEE Trans. Nucl.Sci, Vol. 50, 74-159.
Chalup, S., Maire, F. (1999); “A study on hill climbing algorithms for neural network training, Evolutionary Computation, CEC 99, Vol. 2023.
Chiroma, H., Abdulkareem, S., & Herawan, T. (2015). "Evolutionary Neural Network model for West Texas Intermediate crude oil price prediction". Applied Energy, 142: 266-273.
Dreyfus, G. (2005). “Neural Networks Methodology and Applications”. Springer. Expert systems with application, 38, 10210-10217.
Gujarati, D.N. and Madsen, J. (1998). “Basic econometrics”. Journal of Applied Econometrics. Vol. 13: 209-212.
Haupt, R. L. and Haupt, S. E. (1996). “Practical Genetic Algorithms”. Second Edition, A JOHN WILEY & SONS, INC., PUBLICATION.
Haidar, I.; Kulkarni, S. and Pan, H. (2008). Forecasting model for crude oil prices based on artificial neural networks. Paper presented at the Intelligent Sensors, Sensor Networks and Information Processing, 2008. ISSNIP 2008. International Conference on.
Jaddi, N. S.; Abdullah, S. and Hamdan, A. R. (2015). “A Solution representation of genetic algorithm for neural network weights and structure”. Information Processing Letters.
Jaddi, N.S.; Abdullah, S. and Hamdan, A. R. (2013); “Taguchi-Based Parameter Designing of Genetic Algorithm for Artificial Neural Network Training”, Informatics and Creative Multimedia (ICICM), International Conference on, IEEE, 278-281.
Jammazi, R. and Aloui, C. (2012). “Crude oil price forecasting: experimental evidence from wavelet decomposition and neural network modeling”. Energy Econ, Vol. 34, 828-841.
Jinn-Tsong, T.; Jyh-Horng, C. and Tung-Kuan, L. (2006). “Tuning the structure and parameters of a neural network by using hybrid Taguchi-genetic algorithm”, IEEE Transactions on Neural Networks, Vol. 17: 69-80.
Kyoung, J. and Han, I. (2003). " Application of a hybrid genetic algorithm and neural network approach in activity-based costing",Expert systems with application, 24, 73-77.
Lee, S. and Hyunchul, A. (2011). "The hybrid model of neural networks and genetic algorithms for the design of controls for internet based systems for business-to-consumer electronic commerce". Expertsystems with application, 38, 4326-4338.
Lackes, R.; Börgermann, C. and Dirkmorfeld, M. (2009). "Forecasting the price development of crude oil with artificial neural networks Distributed Computing", Artificial Intelligence, Bioinformatics, Soft Computing, and Ambient Assisted Living (pp. 248-255): Springer.
Ludermir, T.B.; Yamazaki, A. and Zanchettin, C. (2006). “An Optimization Methodology for Neural Network Weights and Architectures”, Trans Neur Net, Vol. 17 (6), 1452-1459.

Mokhatab Rafiei, F.; Manzari, S.M. and Bostanian, S. (2011). “Financial health prediction models using artificial neural networks, genetic algorithm and multivariate discriminate analysis: Iranian evidence”. Journal of Expert Systems with Applications. Vol 38, 10210-10217.

Morana, C. (2001). “A Semi Parametric Approach to Short-Term Oil Price Forecasting”. Energy Economics, Vol. 23, 325-338.
Mostafa, M. M. and El-Masry, A. A. (2016). "Oil price forecasting using gene expression programming and artificial neural networks". Economic Modelling, 54, 40-53.
Movagharnejad, K.; Mehdizadeh, B.; Banihashemi, M. and Kordkheili, M.S. (2011). “Forecasting the differences between various commercial oil prices in the Persian Gulf region by neural network”. Energy, Vol. 36, 3979-3984.
Norgaard, M.O.; Ravn, N. and Poulsen, L. (2000). “Hansen, Neural Networks for Modelling and Control of Dynamic Systems”. Springer.
Oh, S. K. and Pedrycz, W. (2005). “A new approach to self-organizing fuzzy polynomial neural networks guided by genetic optimization”, Physics Letters A, Vol. 345, 88-100.
Oh, S. K.; Pedrycz, W. and Roh, S. B. (2009). “Hybrid fuzzy set-based polynomial neural networks and their development with the aid of genetic optimization and information granulation”, Applied Soft Computing, Vol. 9: 1068-1089.
Pan, H.; Haidar, I. and Kulkarni, S. (2009). "Daily prediction of short-term trends of crude oil prices using neural networks exploiting multimarket dynamics". Frontiers of Computer Science in China, 3(2), 177-191.
Sexton, R. S.; Alidaee, B.; Dorsey, R. E. and Johnson, J. D. (1998). “Global optimization for artificial neural networks: A tabu search application”, European Journal of Operational Research, 106, 570-584.
Sexton, R. S.; Dorsey R. E. and Johnson, J. D. (1999). “Optimization of neural networks: A comparative analysis of the genetic algorithm and simulated annealing”, European Journal of Operational Research, 114, 589-601.
Wang, Y.; Liu, L.; Diao, X. and Wu, C. (2015). “Forecasting the real prices of crude oil under economic and statistical constraints”, Energy Economics, Vol. 51, 599-608.
Wu, L. and Shahidpour, M. (2010). “A Hybrid Model for Day – Ahead Price Forecasting”. IEEE Transaction on Power Systems, Vol. 25, No 3.
Zanchettin, C.; Ludermir, T.B. and Almeida, L.M. (2011). “Hybrid Training Method for MLP: Optimization of Architecture and Training”, IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, Vol. 41 (4), 1097-1109.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار