fa استفاده از تکنیک درون‌یابی کریجینگ به‌منظور پیش‌بینی قیمت گاز طبیعی و بهینه‌سازی آن با الگوریتم نلدر- مید قيمت گذاري قيمت گذاري رساله(پايان نامه) دكتري Thesis(PhD.) <span style="font-family:b nazanin;"><span style="font-size:12.0pt;">پیش‌بینی سری‌های اقتصادی با نوسانات زیاد و عدم قطعیت بالا </span></span><span style="font-size:12.0pt;">&ndash;</span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> همچون قیمت گاز طبیعی - همواره یکی از چالش‌های اساسی در مدل&rlm;های اقتصادسنجی به شمار می&rlm;رود؛ زیرا نمی&rlm;توان از مدل&rlm;های ساختار خطی سنتی برای پیش‌بینی سری‌های زمانی پیچیده و غیرخطی استفاده نمود. در خصوص پیش‌بینی قیمت گاز طبیعی، یافته‌ها از برتری شبکه عصبی در مقایسه با مدل&rlm;های رگرسیونی حکایت دارد. با این وجود، چالش اصلی این روش&nbsp; (امکان هم‌پوشانی و نیز عدم خروج داده‌های پِرت از سیستم) </span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">فضای تحقیقاتی در این حوزه را کماکان باز نگه داشته است.</span></span> <span style="font-family:b nazanin;"><span style="font-size:12.0pt;">در این پژوهش از تکنیک درون‌یابی کریجینگ به&rlm;منظور پیش‌بینی قیمت گاز طبیعی استفاده شده است. برای این منظور، پس از شناسایی پارامترهای مؤثر؛ نمونه‌گیری و نرمال‌سازی آنها؛ توابع پیش&shy;بینی کریجینگ را ایجاد و با تکنیک بهینه‌سازی نلدر - مید آنها را بهبود بخشیدیم. نتایج تحقیق نشان</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> می&rlm;دهد</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> که متامدل کریجینگ پیش‌بینی دقیق&rlm;تری نسبت به مدل پیش‌بینی شبکه عصبی مصنوعی ارائه</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> می&rlm;دهد</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;">.</span></span><span style="font-family:b nazanin;"><span style="font-size:12.0pt;"> همچنین یافته‌های تحقیق حاکی از این است که الگوریتم بهینه‌سازی نلدر - مید تا حدی موجب بهتر شدن نتایج پیش‌بینی گشته است؛ هرچند مقدار این بهبود چندان قابل ملاحظه نمی‌باشد.</span></span><br> &nbsp; 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.&nbsp;Regarding the prediction of natural gas prices,&nbsp; 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.<br> In this study we use the Kriging interpolation&nbsp; 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&nbsp; 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. &nbsp;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.<br> &nbsp; قیمت گاز طبیعی, پارامترهای تاثیرگذار بر قیمت گاز طبیعی, فرآیند تحلیل سلسله مراتبی, تکنیک درون‌یابی کریجینگ Natural gas prices, Parameters affecting the price of natural gas, Analytic Hierarchy Process, Kriging interpolation Technique L95, C53,G17 97 130 http://iiesj.ir/browse.php?a_code=A-10-1282-3&slc_lang=fa&sid=1 ebrahim mashreghi ابراهیم مشرقی ebrahim.mashreghi@yahoo.com 10031947532846004951 10031947532846004951 Yes Khorasan Razavi Gas Company پردیس البرز دانشگاه تهران، ایران reza tehrani رضا تهرانی rtehrani@ut.ac.ir 10031947532846004952 10031947532846004952 No Faculty of Management, University of Tehran دانشگاه تهران ezatolah asgharizadeh عزت‌اله اصغری‌زاده asghari@ut.ac.ir 10031947532846004953 10031947532846004953 No Faculty of Management, University of Tehran دانشگاه تهران ezatolah abasiyan عزت‌اله عباسیان abbasian@basu.ac.ir 10031947532846004954 10031947532846004954 No Department Of Economics University Of Bu-Ali Sina دانشگاه بوعلی سینا همدان