fa الگوسازی و پیش‌بینی مصرف انرژی بخش حمل و نقل ایران: کاربردی از الگوهای هوش مصنوعی پژوهشي Research وابستگی روزافزون زندگی بشر به انرژی موجب شده است تا این عامل به طور بالقوه‌ و بالفعل در کارکرد بخش‌های مختلف اقتصادی کشورها نیز نقش بسیار مهمی ایفا کند. از این رو، مسئولان هر کشور باید تلاش کنند تا با پیش‌بینی هر چه دقیق‌تر مصرف انرژی و برنامه‌ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای انرژی را به نحو مطلوب کنترل کنند. هدف پژوهش حاضر، الگو‌سازی و پیش‌بینی مصرف انرژی بخش حمل و نقل ایران با استفاده از الگوهای شبکه‌ عصبی فازی، شبکه عصبی ژنتیک و شبکه عصبی است. از این رو، از داده‌های سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگو‌های پیش‌بینی و از داده‌های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگو‌های پیش‌بینی استفاده شد. در پایان دقت نتایج پیش‌بینی الگو‌های مختلف، با استفاده از شاخص‌های ارزیابی مقایسه گردید. نتایج ارزیابی نشان داد که الگوی شبکه عصبی فازی، نسبت به سایر الگو‌ها از بیشترین دقت در پیش-بینی مصرف انرژی در بخش حمل و نقل کشور برخوردار است. همچنین بر اساس نتایج تحلیل حساسیت ورودی‌ها به وسیله شبکه عصبی، ورودی جمعیت کشور به عنوان ورودی شناخته شد که بیشترین تأثیر را در مصرف انرژی دارد. Ever-increasing dependence of human life on energy has made this factor play a critically crucial role either potentially or actively in the functions of various economic sectors of countries. Therefore, the people in charge of any country should try to make exact forecasting of energy consumption and make correct planning about its consumption in a way to optimally control supply-demand parameters. This study tries to make models and forecasts about energy consumption in Iran’s transportation sector through ‘Fuzzy Neural Network’, ‘Genetic Neural Network’ and ‘Neural Network’ models. Hence, annual data of Iran’s transportation sector energy consumption was taken as output variable of forecasting models while the annual data of population of the whole country, gross domestic product and the number of automobiles were used as the input variables of the forecasting model. Finally, the accuracy of models was assessed by using evaluation indicators. The assessment results indicated that ‘Fuzzy Neural Network’ model was more accurate than other ones considering energy forecasts in the country’s transportation sector. Meanwhile, according to the results of the inputs sensitivity analysis by neural network, Iran’s population input was identified as the input with most influence in energy consumption. مصرف انرژی، رگرسیون چندمتغیره، شبکه‌ عصبی، الگوریتم ژنتیک، شبکه عصبی فازی Energy Consumption, Multiple Regression, Neural Network, Genetic Algorithm, Fuzzy Neural Network 29 47 http://eprj.ir/browse.php?a_code=A-10-4-234&slc_lang=fa&sid=1 Mohammad-Hossein Tahari-Mehrjerdi محمدحسین طحاری مهرجردی Hooseintahari@yahoo.com 10031947532846002067 10031947532846002067 Yes دانشگاه یزد Hamid Babaei-Maybodi حمید بابایی میبدی Babaeimaybodihamid@yahoo.com 10031947532846002068 10031947532846002068 No دانشگاه یزد Rouhollah Taghizadeh-Mehrjerdi روح الله تقی زاده مهرجردی Rh.taghizadeh@yahoo.com 10031947532846002069 10031947532846002069 No آموزش عالی اردکان