---

پیش‌بینی دقیق قیمت‌های نقدی گاز طبیعی از اهمیت زیادی برخوردار است زیرا می‌تواند در تصمیم‌گیری‌های نظارتی هر دو جانب عرضه و تقاضای گاز طبیعی مفید واقع شود. لذا در این مطالعه، آزمون گاما جهت قیمت‌های گاز، به‌عنوان یک ابزار غیرخطی و ناپارامتریک استفاده شد تا بتوان بهترین ترکیب ورودی‌ها را قبل از کالیبراسیون و آزمون مدل انتخاب نمود. آزمون گاما دارای مدل‌های غیرخطی متعددی مانند رگرسیون خطی موضعی (LLR)، رگرسیون خطی موضعی پویا (DLLR) و شبکه‌های عصبی مصنوعی (ANN) می‌باشند. بدین‌منظور از قیمت‌های نقدی روزانه، هفتگی و ماهانه‌ی گاز هنری‌هاب از 7/11997 تا 20/3/ 2012 استفاده شد. مقایسه‌ی نتایج نشان داد که مدل DLLR از ضریب همبستگی بالاتر و میانگین مربعات خطای پایین‌تر از LLR برخوردار بوده و پیش‌بینی‌های بهتری را بدست می‌دهد. مدل ANN نشان می‌دهد که هرچه دوره‌ی پیش‌بینی کوتاه‌تر باشد نتایج دقیق‌تری را داراست. بنابراین، مدل پیش‌بینی قیمت‌های نقدی روزانه با روش ANN می‌تواند به عنوان یک مدل مناسب درنظر گرفته شود. بعلاوه، مدل‌های ANN در مقایسه با مدل‌های LLR و DLLR دارای عملکرد بالاتری است و دقت بالاتری را جهت پیش‌بینی روند قیمت‌های گاز در مقیاس‌های زمانی متفاوت بدست می‌دهد اما این دسته از مدل‌ها از توانایی لازم جهت پیش‌بینی شوک‌های قیمتی بازار برخوردار نمی‌باشند

---

هدف از این مقاله، برآورد مدل حرکت هندسی براونی (GBM) بر اساس برآورد دو پارامتر اصلی تلاطم و رانش و پیش‌بینی قیمت‌های نقدی روزانه‌ی گاز طبیعی هنری هاب از 07/01/1997 تا 20/03/2012 است. بررسی‌ها حاکی از آن است که  برآورد این دو پارامتر مذکور با روش‌های مختلف و نیز در مقیاس‌های زمانی متفاوت امکان‌پذیر است. به همین منظور از دو رویکرد پیشرو و پسرو و در مقیاس‌های زمانی و نیز زیردوره‌های مختلف استفاده شده است. نتایج نشان می‌دهد مقادیر تلاطم و رانش، کاملاً به دوره یا مقیاس موردنظر وابسته بوده و برآوردهای حاصل از رویکرد پس‌رو در مقایسه با پیش‌رو در سطح پایین‌تری قرار دارد. همچنین با افزایش تعداد اجرا‌های تصادفی مدل، اگرچه دامنه نوسانات مقادیر پیش‌بینی کاهش پیدا کرده، اما شیب خط پیش بینی به شیب خط مقادیر واقعی بسیار نزدیک می‌شود. در نهایت، مقادیر معیارهای ارزیابی عملکرد نشان می‌دهد که رویکرد پیش‌رو و بطور مشخص سال 2009 دارای بهترین معیار عملکرد است سپس زیر دوره‌ی 2001-2004 در روش پس‌رو و در نهایت این زیر دوره در روش پیش‌رو می‌توانند به عنوان مبنایی جهت محاسبۀ مقادیر پارامترهای اصلی مدل مورد استفاده قرار گیرند. بعلاوه نتایج نشان می‌دهد که برآورد پارامترهای اصلی مدل با اتکای به جدیدترین دوره در داده‌های مورد استفاده نیز دقت کافی اعمال نشده و مقیاس‌هایی که دارای تلاطم بالاتری هستند بالنسبه از معیارهای ارزیابی بهتری نیز برخوردارند و بهتر می‌توان از آنها در پیش‌بینی قیمت‌ها در قالب مدل GBM  بهره گرفت.

---

مصرف گاز طبیعی به عنوان یکی از مهم‌ترین حامل‌های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه‌ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش‌بینی روند آتی آن می‌باشد. با معرفی و کاربرد گسترده مدل‌های مختلف همچون شبکه‌های عصبی مصنوعی جهت برآورد روند آتی مصرف و از طرفی تصادفی بودن آن‌ها، آگاهی از دقت این مدل‌ها جهت نیل به هدف پیش‌بینی دقیق‌تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به‌کارگیری شبکه‌های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش‌بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده‌ترین بخش مصرف‌کننده، به مقایسۀ دقیق‌تر این پیش‌بینی‌ها با استفاده از باز نمونه‌گیری از نمونه‌ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم‌های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن‌ها با استفاده از روش «10-fold» حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با  استفاده از باز نمونه‌گیری با جایگذاری از ‌داده‌های اردیبهشت‌ماه 1381 تا اسفندماه 1388 به تعداد 2000 بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال‌های‌ 1389 و 1390 توسط آن‌ها پیش‌بینی و فاصله اطمینان 95 درصدی برای پیش‌بینی‌ها محاسبه شد. نتایج بررسی معنی‌داری اختلاف پیش‌بینی مدل ترکیبی شبکه عصبی با مدل ARIMA  و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از  عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه‌ها بود.