عنوان پایان‌نامه
مقایسه پیش بینی تقاضای آب با استفاده از الگوی ساختاری، سری های زمانی و شبکه های عصبی
- رشته تحصیلی
- علوم اقتصادی-اقتصادمحیط زیست
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1039;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 36915
- تاریخ دفاع
- ۲۰ بهمن ۱۳۸۶
- دانشجو
- حسن فخرائی
- چکیده
- پیش بینی متغیرهای اقتصادی برای برنامه ریزی و سیاست گذاری از اهمیت بالایی برخوردار است. با توجه به محدودیت منابع آب ، رشد فزاینده ی مصرف آب در سال های گذشته ،کم کشش بودن تقاضای آب نسبت به قیمت و درآمد اهمیت مسئله ی پیش بینی تقاضای آب و برنامه ریزی صحیح و اصولی برای آینده آشکار می شود. یکی از مهمترین اهداف مدل سازی و کاربرد الگوهای اقتصادی پیش بینی مقادیر آتی متغیرهای اقتصادی است به عبارت دیگر الگوهای اقتصادی را می توان با صحت پیش بینی شان مورد آزمون قرار داد . لذا اگر یک الگوی اقتصادی در تبیین روابط موجود بین متغیرها موفق باشد باید قادر به ارائه ی پیش بینی های صحیحی از متغیرها نیز باشد. بنابراین در این مطالعه از تکنیک شبکه های عصبی و همچنین الگوهای ساختاری وسرهای زمانی به منظور پیش بینی تقاضای آب در شهر تهران استفاده شده است. مقایسه نتایج پیش بینی های شبکه عصبی با سایر روش های پیش بینی انجام شده در این مطالعه نشان می دهد که شبکه ی عصبی بر حسب معیارهای مختلف (MSE, RMSE, MAE, MAPE) عملکرد بهتری در زمینه ی پیش بینی تقاضای آب نسبت به الگوهای ساختاری و سری زمانی داشته است. واژه های کلیدی : پیش بینی تقاضای آب ، شبکه های عصبی ، الگوهای ساختاری ، سری های زمانی
- Abstract
- The purpose of this study is to forecast of long – term water demand in city of Tehran. Long term forecasting is useful in planning, designing, and making extension plans, while the short – term forecasting is useful in efficient operation and management of an existing water system. Conventionally, regression and time series analyses have been employed in modeling water demand forecasts. In recent years, the relatively new technique of neural networks (NNS) has been proposed as an efficient tool for modeling and forecasting. The objective of this study is to investigate the relatively new technique of neural networks for the use of forecasting long – term water demand (per capita) in Tehran city. The data employed in this study include water demand (per capita), average water price, average household income and the annual average air temperature from the city of Tehran, Iran. The neural networks model, four regression models, and time series model have been developed. The comparison reveals that the neural networks model produces results that are close to the actual data. The neural networks model consistently outperformed the regression and time series models developed in this study. Key words: Neural networks, Water demand, Long – term water demand forecasting, Regression analysis, Time series analysis
