مدلسازی و پیشبینی مصرف گازوئیل در بخش حمل و نقل با استفاده از رویکرد یادگیری ماشین
- سال انتشار: 1404
- محل انتشار: سیزدهمین همایش ملی محیط زیست، انرژی و منابع طبیعی
- کد COI اختصاصی: ECONF13_160
- زبان مقاله: فارسی
- تعداد مشاهده: 67
نویسندگان
دانشجو ارشد مهندسی صنایع دانشگاه علم و فناوری مازندران
هیئت علمی گروه صنایع دانشگاه علم و فناوری مازندران
چکیده
این پژوهش به پیش بینی مصرف گازوئیل در بخش حمل و نقل ایران با بهره گیری از مدلهای یادگیری ماشین می پردازد. با توجه به تاثیر گسترده مصرف سوخت بر اقتصاد و محیط زیست هدف تحقیق ارائه مدلی دقیق و قابل اعتماد برای تحلیل روندهای آینده مصرف انرژی است. در این راستا دو ساختار شبکه عصبی شامل شبکه عصبی چندلایه (MLP) و شبکه تابع پایه شعاعی (RBF توسعه یافته و با دادهای تاریخی نظیر جمعیت، تولید ناخالصی داخلی و قیمت گازوئیل آموزش داده شدند. پژوهش انجام شده در مقایسه تحلیلی عملکرد این دو مدل با تمرکز بر شاخصهای آماری مانند ضریب تعیین و میانگین درصد خطای مطلق است. نتایج حاکی از برتری مدل MLP در دقت پیش بینی و توانایی تعمیم پذیری آن بوده و این مدل میتواند ابزاری کارآمد برای پشتیبانی از تصمیم گیریهای راهبردی در مدیریت مصرف سوخت باشد.کلیدواژه ها
یادگیری ماشین پیش بینی, گازوئیل, شبکه عصبی چندلایه, شبکه تابع پایه شعاعیمقالات مرتبط جدید
- شورشدن خلیج گرگان پیامدهای تغییر اقلیم برای نماتودهای آزادزی
- تحلیل هیدرودینامیکی بر روند رسوبگذاری در بنادر جنوبی دریای کاسپین تحت تاثیر کاهش تراز سطح آب (مطالعه موردی بندر نوشهر)
- تحلیل پدیده گرد و غبار خوزستان با تاکید بر پیامدهای زیست محیطی و راهکارهای مدیریتی
- نقش بانکهای ژن بذر در حفظ تنوع زیستی و آینده کشاورزی
- بررسی تغییرات فصلی AQI و ارتباط آن با تعداد صنایع اقلیم و جمعیت هر استان
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.