1.6. روش تحقیق 7
1.7. قلمرو تحقیق 7
1.7.1. قلمرو موضوعی 7
1.7.2. قلمرو زمانی 7
1.7.1. قلمرو مکانی 7
1.8. شرح واژه و اصطلاحات به کار رفته در پژوهش (مفاهیم عملیاتی): 7
- فصل دوم: مبانی‌نظری تحقیق 10
2.1. مقدمه 11
2.2. پیش بینی تقاضای فرآورده های سوختی نفتی 11
2.2.1. پیش بینی تقاضا 11
2.2.2. اهمیت پیش بینی تقاضا 12
2.2.3. سیستم پیش بینی تقاضا 12
2.2.3.1. خروجی های سیستم پیش بینی 13
2.2.3.2. ورودی های سیستم پیش بینی 14
2.2.3.3. محدودیت های سیستم پیش بینی 14
4.3.2.2. تصمیمات سیستم پیش بینی 15
2.2.3.5. معیار عملکرد سیستم پیش بینی 15
2.2.3.6. روشهای پیش بینی تقاضا 16
2.2.4. اندازه گیری و کنترل خطای پیش بینی 19
2.3. فرآورده های سوختی نفتی 21
2.4. اهمیت تکنیک های مورد استفاده 22
2.5. سابقۀ تحقیق (مروری بر مطالعات پیشین) 22
2.5.1. مروری بر مطالعات انجام گرفتۀ داخلی 22
2.5.2. مروری بر مطالعات انجام گرفتۀ خارجی 28
2.6. جمع بندی مرور ادبیّات 32
- فصل سوم: روش تحقیق 33
3.1. مقدمه 34
3.2. روش تحقیق 34
3.3. تکنیک های مورد استفاده در تحقیق 34
3.3.1. الگوریتم بهینه سازی علف های هرز(IWO) 34
3.3.1.1. مقدمه 34
3.3.1.2. اکولوژی تولید مثل علف های هرز 35
3.3.1.3. شبیه سازی رفتار علف های هرز 35
3.3.1.4. جزئیات گام های الگوریتم بهینه سازی علف های هرز 36
3.3.1.5. بررسی مشکلات الگوریتم بهینه سازی علف های هرز IWO 39
3.3.1.6. نوآوری در الگوریتم بهینه سازی علف های هرز 39
3.3.1.7. اجزاء و پارامترهای الگوریتم بهینه سازی علف های هرز 39
3.3.1.8. نحوۀ محاسبه دانه های تولیدی و به روزرسانی انحراف معیار 41
3.3.2. الگوریتم بهینه سازی توده ذرّات (PSO) 42
3.3.2.1. مقدمه 42
3.3.2.2. تاریخچۀ بهینه سازی توده ذرّات 43
3.3.2.3. هوش ازدحامی 44
3.3.2.4. کاربردهای الگوریتم بهینه سازی توده ذرّات 45
3.3.2.5. مراحل اجرای الگوریتم بهینه سازی توده ذرّات 45
3.3.2.6. توپولوژی یا ساختار شبکۀ اجتماعی 46
3.3.2.7. بررسی مشکلات الگوریتم بهینه سازی توده ذرّات 47
3.3.2.8. معادلات توصیف کنندۀ رفتار ذرّات 48
3.3.2.9. پارامترهای الگوریتم بهینه سازی توده ذرّات 48
3.3.2.10. مراحل الگوریتم ازدحام ذرات 50
3.3.3. شبکه های هوش مصنوعی (ANN) 50
3.3.3.1. مقدمه 50
3.3.3.2. شبکه عصبی مصنوعی 51
3.3.3.3. شبکۀ MLP 52
3.3.3.4. مدل تک ورودی در شبکه های عصبی 52
3.3.3.5. مدل چند ورودی شبکه عصبی 53
3.3.4. کاربرد شبكه های عصبی مصنوعی 54
3.4. مدل اتورگرسیو مرتبۀ P یا AR(P) 55
3.5. روش گردآوری اطلاعات 55
3.6. تعریف بهینه سازی 55
3.6.1. انواع روش های بهینه سازی 56
3.6.1.1. کلاسیک ها 56
3.6.1.2. روش های ابتکاری 56
- فصل چهارم تجزیه و تحلیل داده‌ها 57
4.1. مقدمه 58
4.2. جمع آوری داده ها 58
4.3. خطاهای پیشبینی 61
4.4. پیشبینی با استفاده از الگوریتم فراابتکاری علفهای هرز 62
4.4.1. تنظیم پارامترها 62
4.4.2. برآورد وزنهای AR با استفاده از الگوریتم IWO 64
4.4.3. مقادیر پیشبینی با استفاده از الگوریتم IWO 66
4.5. پیش بینی با استفاده از الگوریتم فراابتکاری ازدحام ذرّات 69
4.5.1. مقادیر ویژۀ ضرایب الگوریتم PSO 69
4.5.2. تنظیم پارامتر ها 71
4.5.3. مقادیر پیش بینی با استفاده از الگوریتم PSO 72
4.6. پیش بینی با استفاده از شبکه های هوش مصنوعی 76
4.6.1. پیش بینی تقاضا برای بنزین موتور با استفاده از شبکه های هوش مصنوعی: 76
4.6.1.1. تعداد دوره های ورودی برای پیش بینی بنزین موتور: 76
4.6.1.2. ساختار شبکه های عصبی برای بنزین موتور: 77
4.6.2. پیش بینی تقاضا برای نفت کوره با استفاده از شبکه های هوش مصنوعی: 79
4.6.2.1. تعداد دوره های ورودی برای پیش بینی نفت کوره: 79
4.6.2.2. ساختار شبکه های عصبی برای نفت کوره: 79
4.6.3. پیش بینی تقاضا برای نفت سفید با استفاده از شبکه های هوش مصنوعی: 81
4.6.3.1. تعداد دوره های ورودی برای پیش بینی نفت سفید: 81
4.6.3.2. ساختار شبکه های عصبی برای نفت سفید: 82
4.6.4. پیش بینی تقاضا برای نفت گاز با استفاده از شبکه های هوش مصنوعی: 84
4.6.4.1. تعداد دوره های ورودی برای پیش بینی نفت گاز: 84
4.6.4.2. ساختار شبکه های عصبی برای نفت گاز: 85
- فصل پنجم بحث و نتیجه گیری 88
5.1. مقدمه 89
5.2. ارزیابی مدل ها پیش بینی 89
5.3. بررسی سوالات پژوهشی 91
5.4. بحث و نتیجه گیری 91
5.5. پیشنهادات کاربردی 92
5.6. پیشنهادات برای تحقیقات آتی 92
فهرست جدول ها
عنوان جدول
جدول 2‑1. خلاصه تصمیماتی که از پیش بینی در افق های مختلف برنامه ریزی تأثیر می پذیرد 13
جدول 2‑2. خلاصه مطالعات صورت گرفتۀ داخلی 27
جدول 2‑3. خلاصه مطالعات صورت گرفتۀ خارجی 30
جدول 2‑4. عوامل مؤثر بر پیش بینی تابع تقاضای فرآورده های سوختی 31
جدول 3‑1. معرفی پارامترها 41
جدول 3‑2. پارامتر های الگوریتم بهینه سازی توده ذرّات 49
جدول 4‑1. میزان مصرف بنزین موتور از سال 1306 تا 1391 58
جدول 4‑2. به میزان مصرف نفت سفید از سال 1306 تا 1391 59
جدول 4‑3. میزان مصرف نفت گاز از سال 1306 تا 1391 59
جدول 4‑4. میزان مصرف نفت کوره از سال 1306 تا 1391 60
جدول 4‑5. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 62
جدول 4‑6. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 62
جدول 4‑7. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑8. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑9. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑10. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑11. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑12. تنظیم پارامتر و مقدار خطای آن در الگوریتم IWO 63
جدول 4‑13. میزان پارامترهای الگوریتم IWO 64
جدول 4‑14. تنظیم پارامتر تعداد دورههای مورد استفاده برای پیشبینی و مقدار خطای آن 64
جدول 4‑15. نتایج حاصل از میزان مختلف بازهها 65
جدول 4‑16. مقادیر وزنهای به دست آمده برای مدل AR با استفاده از الگوریتم IWO 65
جدول 4‑17. مقادیر واقعی و پیش بینی شده مصرف بنزین موتور با استفاده از الگوریتم IWO 66
جدول 4‑18. مقادیر واقعی و پیش بینی شده مصرف نفت سفید با استفاده از الگوریتم IWO 66
جدول 4‑19. مقادیر واقعی و پیش بینی شده مصرف نفت گاز با استفاده از الگوریتم IWO 66
جدول 4‑20. مقادیر واقعی و پیش بینی شده مصرف نفت کوره با استفاده از الگوریتم IWO 67
جدول 4‑21. مقادیر خطا برای هر فرآورده بر مبنای الگوریتم IWO 67
جدول 4‑22. تنظیم پارامتر و مقدار خطای آن در الگوریتم PSO 71
جدول 4‑23. تنظیم پارامتر و مقدار خطای آن در الگوریتم PSO 71
جدول 4‑24. میزان بهینه پارامترهای الگوریتم PSO 71
جدول 4‑25. تنظیم پارامتر تعداد دوره های مورد استفاده برای پیشبینی و مقدار خطای آن در الگوریتم PSO 71
جدول 4‑26. نتایج حاصل از میزان مختلف بازه ها در الگوریتم PSO 72
جدول 4‑27. مقادیر وزن های بدست آمده برای مدل AR با استفاده از الگوریتم PSO 72
جدول 4‑29. مقادیر واقعی و پیش بینی شده مصرف بنزین موتور با استفاده از الگوریتم PSO 72
جدول 4‑30. مقادیر واقعی و پیش بینی شده مصرف نفت سفید با استفاده از الگوریتم PSO 73
جدول 4‑31. مقادیر واقعی و پیش بینی شده مصرف نفت گاز با استفاده از الگوریتم PSO 73
جدول 4‑32. مقادیر واقعی و پیشبینی شده مصرف نفت کوره با استفاده از الگوریتم PSO 73
جدول 4‑33. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف بنزین موتور 76
جدول 4‑34. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف بنزین موتور 77
جدول 4-35. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف بنزین موتور 77
جدول 4‑36. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف بنزین موتور 78
جدول 4‑37. ضرایب بایاس برای پیش بینی مصرف بنزین موتور 78
جدول 4-38. مقدار واقعی و پیش بینی مصرف بنزین موتور با استفاده از ANN 78
جدول 4‑39. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف نفت کوره 79
جدول 4‑40. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف نفت کوره 80
جدول 4‑41. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف نفت کوره 80
جدول 4‑42. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف نفت کوره 80
جدول 4‑43. ضرایب بایاس برای پیش بینی مصرف نفت کوره 80
جدول 4‑44. مقدار واقعی و پیش بینی شده مصرف نفت کوره با استفاده از ANN 81
جدول 4‑45. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف نفت سفید 82
جدول 4‑46. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف نفت سفید 82
جدول 4‑47. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف نفت سفید 83
جدول 4‑48. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف نفت سفید 83
جدول 4‑49. ضرایب بایاس برای پیش بینی مصرف نفت سفید 83
جدول 4‑50. مقدار واقعی و پیش بینی مصرف نفت سفید با استفاده از ANN 83
جدول 4‑51. تنظیم پارامتر تعداد دوره ها و مقدار خطای آن برای پیش بینی مصرف نفت گاز 84
جدول 4‑52. مقادیر وزن مربوط به نرون های لایۀ اول برای پیش بینی مصرف نفت گاز 85
جدول 4‑53. مقادیر وزن مربوط به نرون های لایۀ دوم برای پیش بینی مصرف نفت گاز 85
جدول 4-54. مقادیر وزن مربوط نرون های لایۀ خروجی برای پیش بینی مصرف نفت گاز 86
جدول 4‑55. ضرایب بایاس برای پیش بینی مصرف نفت گاز 86
جدول 4‑56. مقدار واقعی و پیش بینی مصرف نفت گاز با استفاده از ANN 86
فهرست شکل ها
عنوان شکل
شکل 3‑1. شایستگی علف i ام 36
شکل 3‑2. 37
شکل 3‑3 38
شکل 3‑4. 38
شکل 3‑5. فلوچارت الگوریتم علف های هرز 42
شکل 3‑6. 45
شکل 3‑7. تعدادی از ساختار شبکۀ اجتماعی 46
شکل 3‑8. ساختار یک نرون تک ورودی 53
شکل 3‑9. نرونی با R ورودی 54
شکل 4‑1. نمودارپیش بینی مصرف سالیانه بنزین موتور با استفاده از الگوریتم علف های هرز 67
شکل 4‑2. نمودار پیش بینی مصرف سالیانه نفت سفید با استفاده از الگوریتم علف های هرز 68
شکل 4‑3. نمودارپیش بینی مصرف سالیانه نفت گاز با استفاده از الگوریتم علف های هرز 68
شکل 4‑4. نمودار پیش بینی مصرف سالیانه نفت کوره با استفاده از الگوریتم علف های هرز 69
شکل 4‑5. نمودار پیش بینی مصرف سالیانه بنزین موتور با استفاده از الگوریتم PSO 74
شکل 4‑6. نمودار پیش بینی مصرف سالیانه نفت سفید با استفاده از الگوریتم PSO 74
شکل 4‑7. نمودار پیش بینی مصرف سالیانه نفت گاز با استفاده از الگوریتم PSO 75
شکل 4‑8. نمودار پیش بینی مصرف سالیانه نفت گاز با استفاده از الگوریتم PSO 75
شکل 4‑9. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف بنزین موتور 77
شکل 4‑10. نمودار مصرف بنزین موتور و مقدار پیش بینی شده با استفاده از ANN 78
شکل 4‑11. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف نفت کوره 79
شکل 4‑12. نمودار مصرف نفت کوره و مقدار پیش بینی شده با استفاده از ANN 81
شکل 4‑13. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف نفت سفید 82
شکل 4‑14. نمودار مصرف نفت سفید و مقدار پیش بینی شده با استفاده از ANN 84
شکل 4‑15. ساختار شبکۀ عصبی طراحی شده برای پیش بینی مصرف نفت گاز 85
شکل 4‑16. نمودار مصرف نفت گاز و مقدار پیش بینی شده با استفاده از ANN 87
1. فصل اول: کلیّات تحقیق
1.1. مقدمه
طی دهه های اخیر از انرژی به عنوان یكی از عوامل مهم تولید یاد شده است، به طوری كه در كنار سایر عوامل تولید، نقش تعیین كننده ای در حیات اقتصادی كشورها داشته و با توسعه و پیشرفت اقتصادی، اهمیت آن به طور فزاینده‌ای افزایش یافته است وابستگی روزافزون زندگی بشر به انرژی موجب شده است تا این بخش به طور بالقوه و بالفعل در كاركرد بخشهای مختلف اقتصادی كشورها نیز نقش چشم گیری ایفا كند. “بهبودی و همكاران، 1388”
رشد و توسعه اقتصادی، از اهداف اصلی سیاست گذاران اقتصادی محسوب می شود. پژوهشهای متعدد پژوهشگران در سطح جهان نشان داده است كه سرعت روند رشد و توسعه اقتصادی در كشورهای جهان تا حدود زیادی به سطح مصرف كارآی انرژی بستگی دارد. “مزرعتی، 1378”
بهبود سطح زندگی مردم و مكانیزه شدن تولید به منظور ارتقاء سطح بهره وری كار، افزایش سریع مصرف انرژی را موجب می شود، البته افزایش سریع مصرف انرژی در مراحل اولیۀ رشد اقتصادی اتفاق می افتد. در مراحل بعدی رشد، با پدیدار شدن اثرات سوء زیست محیطی و نیز ارتقای آگاهی ها و حساسیت های عمومی، مباحث رشد پایدار و مسایل زیست محیطی اهمیت بیشتری پیدا كرده و روند افزایش مصرف انرژی به دلیل استفاده بهینۀ آن كاهش می یابد. “بهبودی و همکاران ، 1388”
علی رغم روند رو به رشد و توسعۀ استفاده از انرژی های نو مانند انرژی هسته ای در سطح جهان، هنوز عمده ترین بخش ازتقاضای انرژی سوخت فسیلی تأمین می شود که از جمله مهم ترین آن نفت خام است. پیش بینی تقاضا انواع مختلف حامل های انرژی از مباحثی است که به ویژه بعد از جنگ جهانی دوم مورد توجه محافل علمی و اقتصادی جهان واقع گردیده است. از اوایل دهۀ 1970 وقتی انرژی توجه سیاستمدران را در نتیجه ی اولین بحران نفتی به خود جلب کرد، تحقیق وبررسی روی تقاضای آن به منظور غلبه بر فهم محدود از ماهیت تقاضای انرژی، به شدت گسترش یافت ” پیندینگ ، 1979″. امروزه نفت به عنوان یك كالای اقتصادی سیاسی نقش مهمی در تحولات جهان ایفا می‌كند و تا زمانی كه منبع انرژی دیگری یافت نشود، هم چنان اثرات دامنه داری بر اقتصاد جهان خواهد داشت و تقریباً تمام مصنوعات بشر در مراحلی از تولید تا توزیع ازمصارف انرژی گرفته تا حمل و نقل، به آن وابسته اند. به گفته دانیل یرگین ، “هنگامی كه به قرن بیست و یكم نگاه می كنیم، یك بشكه نفت، به اندازه پیشرفت در علوم كامپیوتری مایۀ تسلط و برتری است و نفت مانند گذشته هم چنان مولّد ثروت های عظیم برای افراد، شركت ها و تمامی یك كشور است”. از همین رو سیاستگذاری نفتی كشورهای نفت خیز به واقع بخش عمدهای از سیاست گذاری این كشورها را تشكیل می دهد و در این كشورها هرگونه برنامه ریزی مستقیم یا غیرمستقیم متأثر ازسیاست های نفتی است. “اسلامی نژاد،1386”
در دهه هاى اخیر، از انرژى به عنوان یكى از عوامل مهم تولید یاد شده است، به طورى كه دركنار سایر عوامل تولید، نقش تعیین كننده اى درحیات اقتصادى كشورها داشته و با توسعه و پیشرفت اقتصادى، اهمیت آن به طور فزاینده اى افزایش یافته است. وابستگى روزافزون زندگى بشر به انرژى موجب شده است تا این بخش به طور بالقوه و بالفعل، دركاركرد بخش هاى مختلف اقتصادى كشورها نیز نقش چشمگیرى ایفا كند ” بهبودى و همكاران، 1388 “.
تأمین امنیّت عرضۀ انرژی در دنیا ، ازمسائل راهبردى پیش روى همۀ دولت ها است. امروزه درایران ، تلاش ها در بخش مدیریت سمت عرضۀ انرژی متمركز است و كمتر به مدیریت سمت تقاضای انرژی توجه مى شود، درحالی كه مدیریت تقاضای انرژی و تلاش براى استفادۀ بهینه از انرژی در همۀ كشورهای پیشرفته دنیا، از مهم ترین عوامل پیشرفت صنعتی پایدار بوده است ” مبینى دهكردى وهمكاران، 1388″.
ایران از منابع غنی و گسترده انرژی، مخازن بزرگ نفتی و گازطبیعی، معادن عظیم زیرزمینی و پتانسیل بالقوه انرژی برخوردار است، پیش بینى مصرف انرژی مى تواند در تبیین سیاست هاى بخش انرژی، كمك مؤثرى كند. همچنین از آنجایى كه مدتی است موضوع محدود كردن مصرف انرژی به ویژه فرآورده هاى نفتی مانند بنزین، در رأس سیاست هاى اقتصادی دولت قرار گرفته است و مشكلات ناشی از افت فشار گازطبیعی، مانند قطع گاز در استان هاى مختلف یا كاهش تولید برق در كارخانجاتی كه سوخت اصلی آنها، گاز طبیعی است، گاهى در كشور ایجاد می شود و كمبود منابع انرژی دیگر نیز گاهى برای بخش هاى مختلف اقتصاد، مشكل ساز مى شود، پیش بینى و الگوسازى مصرف انرژی، می‌تواند رهنمود مناسبی برای سیاستگذاران بخش انرژی و اقتصاد كشور باشد ” آماده وهمكاران ، 1388 “
از طرفی تأثیر نفت و حامل های انرژی به ویژه بنزین ، گازوئیل و … در اقتصاد کشور برکسی پوشیده نیست، بنابراین تحقق توسعه پایدار ، در گرو آن است که تولید و بهره برداری از انرژی همراه با سایر نهادها نظیر تکنولوژی، منابع انسانی ، مواد اولیه ، منابع مالی و… بطور هماهنگ و هم ساز برنامه ریزی شود. مصرف فراورده هایی همچون نفت سفید[3] ، نفت کوره[4] ، بنزین موتور[5] و نفت گاز[6] با در نظر گرفتن اهمیّت آن در بخش های مختلف ، نقش اساسی در رشد و توسعۀ اقتصادی کشورها ایفا می‌کند . بررسی مصرف آتی تقاضای فرآورده های نفتی در جهت شناخت دقیق و صحیح از ساختار رفتاری مصرف ، به منظور برنامه ریزی دقیق در راستای تحقق اهداف مورد نظر، امری ضروری است. آگاهی از میزان تقاضای نفت سفید ، نفت کوره و بنزین موتور و نفت گاز به منظور اتخاذ تصمیمات صحیح برای برنامه ریزی و سیاست گذاری های مناسب از اهمیّت ویژه ای برخوردار است این مقوله در بخش های مختلف (حمل و نقل ، صادرات و….) سهم قابل توجه ای از مصرف این سه نوع محصول را دارد که از اهمیّت به سزایی برخوردار است . از طرفی در تجزیه و تحلیل تقاضای حامل‌های انرژی مدل های مختلفی مورد استفاده قرار می گیرد ، که برخی فقط برای جهت مطالعه حامل های انرژی طراحی شده و برخی ارتباط آنها را با یکدیگر بررسی می کند.
روش هاى آمارى و اقتصاد سنجى، درمورد پیش بینى سرى هاى زمانى عملكرد خوبى داشته است، اما محدودیت هایى نیزدارد، ازجمله اینكه ممكن است در این گونه روش ها، فرم تبعى متغیّرهاى مستقل و وابسته در صورت عدم شناخت كافى به درستى تصریح نشود. علاوه براین، داده هاى پرت ممكن است به تخمین اُریب پارامترهاى الگو بیانجامد. درضمن، بیشتر الگوهاى سرى زمانى، خطّى است و بنابراین در تشریح رفتارهاى غیرخطّى ناتواناست ” ابریشمى و همكاران، 1389 “. درپژوهش هاى اخیر، از الگوهاى هوش مصنوعى به طور متداول به عنوان ابزار تقریبى غیرخطّى استفاده شده است، به طورى كه مى توان با استفاده از آن بر مشكلات فوق چیره شد.”جوادپور وكناپ، 2003 “.
هدف پژوهش حاضر، كاربرد الگوهاى هوش مصنوعى، یعنى الگوهاى شبكه هوش مصنوعی، الگوریتم توده ذرّات و الگوریتم علف های هرز، در پیش بینى مصرف انرژى بخش حمل ونقل كشور است تا در پایان بتوان میزان كارایى این روش ها را در پیش بینى مصرف انرژى مقایسه كرد.
1.2. بیان مسأله
