عنوان پایان‌نامه
پیش بینی مصرف انرژی متروی تهران با استفاده از روش های شبکه های عصبی
- رشته تحصیلی
- مدیریت صنعتی - تحقیق در عملیات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72335
- تاریخ دفاع
- ۲۸ دی ۱۳۹۴
- دانشجو
- آذر فتحی هلی آبادی
- استاد راهنما
- عالیه کاظمی
- چکیده
- برای دستیابی به موفقیت در دنیای سرشار از رقابت امروز، هر سازمانی نه تنها باید درک درستی از وضعیت فعلی خود داشته باشد، بلکه باید بتواند آینده را نیز تا حد ممکن با دقت و درستی پیش¬بینی نماید. امروزه انرژی و میزان مصرف آن، محور استراتژیک برنامه¬ریزی¬های سازمانی است و از طرفی گسترش سیستم حمل و نقل درون شهری با در نظرگرفتن شرایط گوناگون اقتصادی، علمی و صنعتی، آب و هوایی و رشد رورافزون شهرنشینی ضروری است. تحلیل روندهای پیشین اطلاعات مصرف انرژی جهت پیش¬بینی روندهای آینده با درنظرگرفتن نرخ توسعه خطوط مترو، راه-حلی کلیدی در راستای برنامه ریزی¬ها و سیاست¬گذاری¬های کلان آینده محور خواهد بود. در این پژوهش با به کار گیری روش¬های شبکه¬های عصبی و ARIMA میزان مصرف انرژی برق در متروی تهران پیش¬بینی می¬شود. متغیر-های اثرگذار بر میزان مصرف انرژی متروی تهران؛ میانگین دمای هوای ماهیانه شهر تهران، میانگین رطوبت نسبی ماهیانه شهر تهران، تعداد مسافر در هر ماه، تعداد سفر در هر ماه، تعداد حرکت قطار¬ها در هر ماه و تعداد روز¬های تعطیل در هر ماه در خطوط 1 و 2 متروی تهران در نظر گرفته شده است. نتایج پیش¬بینی با روش شبکه¬های عصبی نسبت به روش¬های ARIMA و رگرسیون چند متغیره، خطای به مراتب کمتری را نشان می¬دهد.
- Abstract
- To achieve success in today's world of competition, each organization must not only have an perception of it's current situation, but also should be able to predict the future almost precisely. Today, energy and its consumption are the main strategic plan of organizations and also the development of urban transport systems by considering a variety of economic, scientific, industrial, climate and growing urbanization is essential. Analysis of past trends in energy is the key to predict future trends, with regard to the rate of development of metro, for planning and future-oriented macroeconomic policies. In this study, electericity energy consumption of Tehran metro is predicted by using neural network and ARIMA methods. average monthly air temperature, average monthly relative humidity, number of passengers per month, number of trips per month, number of train moves per month and number of holiday per month of line 1 and line 2 are the affective variables of energy consumption of Tehran metro. Results of prediction using neural networks to ARIMA and multiple regression techniques, shows far fewer errors. Key words: prediction, energy, Tehran metro, neural networks model, ARIMA model
