skip to Main Content
پیش‌بینی تولید ماهانه گاز Shale آمریکا با استفاده از مدل خاکستری ترکیبی و مدل خاکستری غیر خطی​ ​

پیش‌بینی تولید ماهانه گاز Shale آمریکا با استفاده از مدل خاکستری ترکیبی و مدل خاکستری غیر خطی​ ​

عنوان انگلیسی: Forecasting U.S. shale gas monthly production usin
سال نشر: ۲۰۱۸
نویسنده: Qiang Wang,Shuyu Li,Rongrong Li,Minglu Ma
تعداد صفحه فارسی: ۱۳ – تعداد صفحه انگلیسی: ۴۰
دانشگاه: School of Management & Economics, Beijing Institute of Technology, Haidian District, Beijing, 100081, People’s Republic of China,School of Economic and Management, China University of Petroleum (East China), Qingdao, Shandong, 266580, People’s Republic of China
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی

چکیده

تغییرات در تولید گاز شیل به طور مستقیم خروجی گاز طبیعی را در ایالات‌متحده (آمریکا)و به طور غیرمستقیم بر بازار گاز جهانی تاثیر می‌گذارد.برای پیش‌بینی بهتر خروجی گاز شیل، ما یک مدل غیر خطی با یک مدل خطی برای توسعه مدل خاکستری غیر خطی متابولیک- مدل میانگین متحرک انباشته (یا MNGMARIMA)هیبرید خواهیم کرد.تکنیک پیش‌بینی ترکیبی پیشنهادی از یک مدل خطی برای درست کردن پیش‌بینی‌های غیر خطی استفاده می‌کند که به طور موثر مزایای مدل‌های خطی و غیر خطی را با کاهش محدودیت‌های آن‌ها ترکیب می‌کند.براساس اطلاعات ماهانه موجود آمریکا.​ با استفاده از داده‌های خروجی گاز شیل، تکنیک هیبرید پیشنهادی برای پیش‌بینی بازده گاز شیل گازی آمریکا به کار گرفته شد.نتایج نشان می‌دهد که تکنیک MNGM – ARIMA پیشنهادی می‌تواند نتایج قابل اطمینانی را با میانگین قدرمطلق خطا of % ایجاد کند.سپس با استفاده از همان مجموعه داده‌ها، سه تکنیک پیش‌بینی دیگر را نیز اجرا کردیم: مدل خاکستری متابولیک (MGM)، ARIMA، و مدل خاکستری غیر خطی (ngm).نتایج مقایسه نشان می‌دهد که روش پیشنهادی MNGM – ARIMA دارای کوچک‌ترین خطای میانگین مطلق است.این نشان م

Abstract

Changes in shale gas production directly determine natural gas output in the United States (U.S.), and indirectly impact the global gas market. To better forecast shale gas output, we hybridized a nonlinear model with a linear model to develop a metabolic nonlinear grey model–autoregressive integrated moving average model (or MNGM-ARIMA). The proposed hybrid forecasting technique uses a linear model to correct nonlinear predictions, which effectively integrates the advantages of linear and nonlinear models and mitigates their limitations. Based on existing U.S. monthly shale gas output data, we applied the proposed hybrid technique to forecast U.S. monthly shale gas output. The results show that the proposed MNGM-ARIMA technique can produce a reliable forecasting results, with a mean absolute percent error of 2.396%. Then, using the same set of data, we also ran three other forecasting techniques developed by former researchers: the metabolic grey model (MGM), ARIMA, and non-linear gre
۲۲۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top