fa تحلیل آماری و برآورد فاصله اطمینان پیش‌بینی شبکه عصبی ترکیبی به منظور مقایسه با مدل خطی ARIMA: مطالعه موردی مصرف ماهانه گاز طبیعی در بخش خانگی ایران انرژی، منابع و محیط زیست انرژی، منابع و محیط زیست كاربردي Applicable <p align="justify">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.</p> <p align="justify">As one of the important energy forms, natural gas consumption has an upward trend in recent years. Therefore management and planning for provision of it requires prediction of the future consumption. But many of prediction procedures are inherently stochastic therefore it is important to have better knowledge about the robustness of prediction procedures. This paper compares robustness of two prediction procedures Artificial Neural Networks as a nonlinear and ARIMA as a linear model. using resampling method to predict the monthly consumption of natural gas in the household sector. Data spans from 2001-4 to 2012-3, to train the networks, we used genetic algorithms and Particle Swarming Optimization then results were compared using 10-fold method. According to the results, the particle swarm optimization (PSO) outperforms the genetic algorithm. Then we used data from 2001-4 to 2010-3, with resampling by 2000 to predict the  natural gas consumption for the 2001 -4 to 2012-3 and to form critical values. Results show that prediction by a mixed method using ANN and PSO is more robust than ARIMA method.</p> الگوریتم PSO, بوت استرپ, پیش‌بینی, شبکه‌های عصبی, گاز طبیعی Bootstrap, Natural Gas, Neural Networks, Prediction, PSO 73 106 http://jfm.khu.ac.ir/browse.php?a_code=A-10-1527-1&slc_lang=fa&sid=1 seyed kamal sadeghi سید کمال صادقی sadeghiseyedkama@gmail.com 10031947532846006069 10031947532846006069 No Tabriz University دانشگاه تبریز seyed mehdi mousavian سید مهدی موسویان me.mousavian@gmail.com 10031947532846006070 10031947532846006070 Yes Tabriz University دانشگاه تبریز