(54.236.62.49) 您好!臺灣時間:2021/03/08 03:37
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:洪淑貞
研究生(外文):HUNG,SHU-CHEN
論文名稱:化石燃料價格建模與預測-應用ARIMA與機器學習方法
論文名稱(外文):Modeling and Forecasting Fossil Fuel Price-Using ARIMA and Machine Learning Methods
指導教授:邵曰仁邵曰仁引用關係
指導教授(外文):SHAO, YUEH-JEN
口試委員:王信忠盧宏益
口試委員(外文):WANG, HSIN-CHUNGLU, HUNG-YI
口試日期:2020-07-01
學位類別:碩士
校院名稱:輔仁大學
系所名稱:統計資訊學系應用統計碩士在職專班
學門:數學及統計學門
學類:統計學類
論文種類:學術論文
論文出版年:2020
畢業學年度:108
語文別:中文
論文頁數:69
中文關鍵詞:預測化石燃料價格自我迴歸整合移動平均類神經網路支援向量迴歸
外文關鍵詞:ForecastFossil fuel pricesAutoregressive integrated moving average modelArtificial neural networkSupport vector regression
相關次數:
  • 被引用被引用:0
  • 點閱點閱:43
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
隨著全球經濟快速發展,化石燃料成為用途最多的能源之一。但因大量需求導致的環境問題與能源政策,加上化石燃料的能源儲存量銳減,造成它們的價格起伏不定。更因為化石燃料價格的漲跌攸關國家能源政策與經濟穩定,因此能夠準確預測國際化石燃料的價格,對所有的國家而言是很重要的議題。因此本文主要目的是為建構化石燃料之價格預測機制,進而提供更準確的市場價格。本文蒐集自2005年至2019年期間化石燃料的歷史價格,分別為俄羅斯天然氣、布蘭特原油及澳大利亞煤炭。本文應用自我迴歸整合移動平均模型(Autoregressive Integrated Moving Average Model, ARIMA)、類神經網路(Artificial Neural Network, ANN)及支援向量迴歸(Support Vector Regression, SVR)技術來進行建構價格預測模型。本文使用了平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)來比較各預測模型準確性。研究結果發現俄羅斯天然氣、布蘭特原油使用SVR-1其預測效能最佳,澳大利亞煤炭價格以ANN-2預測效能最佳,同時4種機器學習方法皆優於ARIMA。
As the rapid growth of global economy, fossil fuel has become the most used energy in the world. However, environmental problems and energy policies caused by the huge demand for energy by mankind, the fossil fuel prices have fluctuated. In particular, the rise and fall of fossil fuel prices are related to national energy policies and economic stability. Therefore, the accuracy of prediction on international fossil fuel price is an important issue for every country. Moreover, the purpose of this study is to build the fossil fuel prices prediction models and provide the accurate market prices. This study collects the historical prices of fossil fuel during 2005 to 2019 from Russian nature gas, Brent crude oil, and Australian coal, respectively. This study applies the autoregressive integrated moving average (ARIMA), artificial neural network (ANN), support vector regression (SVR) to the construction of prediction models. mean absolute percentage error (MAPE) was used to compare the accuracy of each prediction model. The results indicate that the proposed SVR-1 model has the best prediction performance for both Russian natural gas and Brent crude oil. The ANN-2 has the best prediction performance for Australian coal. In addition, all of the four machine learning models are superior to the ARIMA models.
第壹章 緒論 1
第一節 研究背景 1
第二節 研究動機與目的 2
第三節 研究流程與架構 3
第貳章 文獻探討 5
第一節 化石燃料相關文獻 5
第二節 時間序列預測應用 7
第三節 類神經網路預測應用 8
第四節 支援向量迴歸預測應用 10
第參章 研究方法 12
第一節 ARIMA 12
第二節 類神經網路 16
第三節 支援向量迴歸 19
第肆章 實證研究 21
第一節 資料介紹 21
第二節 俄羅斯天然氣預測分析 23
第三節 布蘭特原油預測分析 34
第四節 澳大利亞煤炭預測分析 45
第五節 討論與分析 56
第伍章 結論 61
第一節 研究發現 61
第二節 未來研究方向與建議 61
參考文獻 63
中文部分 63
英文部分 65
中文部分
王怡晴(2019)。應用智能全域和弦搜尋演算法結合類神經網路於台灣鋼鐵價格漲跌幅之預測。國立臺北科技大學工業工程與管理系碩士論文,台北市。
王欣桓(2019)。應用預測油價於探討校園通勤車輛契約價格之合理性。中原大學工業與系統工程研究所碩士論文,桃園縣。
王遠智(2017)。核能相依國之核能及化石能源消耗量、實質 GDP 和碳 排放量之因果關係。國立交通大學管理學院管理科學學程碩士論文,新竹市。
江政儒(2020)。應用ARIMA建立公部門航空油料需求預測模型。國防大學運籌管理學系碩士論文,桃園縣。
李宜佳(2019)。應用支援向量機結合新聞輿情分析於股價漲幅預測。國立雲林科技大學工業工程與管理系碩士論文,雲林縣。
李怡慧(2019)。應用時間數列結合神經網路預測土耳其對台灣工具機之需求。國立中興大學企業管理學系所碩士論文,台中市。
李瑋駿(2018)。應用田口方法選定參數以建構類神經網路冰水主機耗電量預測模型。國立勤益科技大學工業工程與管理系碩士論文,台中市。
洪毓婷(2016)。時間數列模型在原油價格預測之比較分析。 國立臺北大學統計學系碩士論文。新北市。
翁英鐘(2016)。航空油價預測之研究。國防大學運籌管理學系碩士論文,桃園縣。
高惠齡(2018)。潔淨能源對環境永續影響之研究。崑山科技大學機械與能源工程研究所博士論文。台南市。
張嘉雯(2016)。應用迴歸分析與計算智能方法以預測台灣黃金價格之研究。輔仁大學統計資訊學系應用統計碩士在職專班碩士論文。新北市。
陳氏錦翠(2017)。運用創新擴散理論與科技接受模式探討顧客使用生物燃料的意願--以越南為例。國立虎尾科技大學企業管理系經營管理碩士班碩士論文。雲林縣。
陳麒文(2017)。可再生能源與低碳經濟發展之跨國分析。中國文化大學經濟學系碩士論文。台北市。
廖子儀(2018)。原物料商品價格之預測-以ARIMA模型分析。國立高雄應用科技大學國際企業研究所碩士論文,高雄市。
蔡政(2017)。應用迴歸分析、倒傳遞類神經網路、支援向量迴歸和K-means在臺股期貨預測之研究。國立高雄應用科技大學資訊管理研究所碩士班碩士論文,高雄市。
蔣蕙資(2018)。國內再生性及非再生性能源發電效益之研究。和春技術學院電機工程研究所碩士論文。高雄市。
謝沛珊(2018)。原油價格波動的模式化與預測-時間序列模型之應用。國立臺北大學統計學系碩士論文。新北市。
Matthew Charles, H. (2017)。可再生能源價格與化石燃料價格和科技技術之相關性研究。國立臺北大學財務金融英語碩士學位學程碩士論文,新北市。

英文部分
Abdullah, S. N., & Zeng, X. (2010). Machine learning approach for crude oil price prediction with Artificial Neural Networks-Quantitative (ANN-Q) model. Paper presented at the The 2010 International Joint Conference on Neural Networks (IJCNN).
Alameer, Z., Fathalla, A., Li, K., Ye, H., & Jianhua, Z. (2020). Multistep-ahead forecasting of coal prices using a hybrid deep learning model. Resources Policy, 65, 101588.
Bildirici, M. E., & Sonustun, F. O. (2018). The effects of oil and gold prices on oil-exporting countries. Energy Strategy Reviews, 22, 290-302.
Cheilari, A., Guillen, J., Damalas, D., & Barbas, T. (2013). Effects of the fuel price crisis on the energy efficiency and the economic performance of the European Union fishing fleets. Marine Policy, 40, 18-24.
Dubey, A. D. (2016). Gold price prediction using support vector regression and ANFIS models. Paper presented at the 2016 International Conference on Computer Communication and Informatics (ICCCI).
Ediger, V. Ş., Akar, S., & Uğurlu, B. (2006). Forecasting production of fossil fuel sources in Turkey using a comparative regression and ARIMA model. Energy Policy, 34(18), 3836-3846.
Ekinci, A., & Erdal, H. (2015). Optimizing the monthly crude oil price forecasting accuracy via bagging ensemble models. Journal of Economics and International Finance, 7(5), 127-136.
Esmaeili, A., & Shokoohi, Z. (2011). Assessing the effect of oil price on world food prices: Application of principal component analysis. Energy Policy, 39(2), 1022-1025.
Fan, L., Pan, S., Li, Z., & Li, H. (2016). An ICA-based support vector regression scheme for forecasting crude oil prices. Technological Forecasting and Social Change, 112, 245-253.
Gao, C., Bompard, E., Napoli, R., & Cheng, H. (2007). Price forecast in the competitive electricity market by support vector machine. Physica A: Statistical Mechanics and its Applications, 382(1), 98-113.
Henrique, B. M., Sobreiro, V. A., & Kimura, H. (2018). Stock price prediction using support vector regression on daily and up to the minute prices. The Journal of Finance and Data Science, 4(3), 183-201.
Hong, W.-C., Dong, Y., Chen, L.-Y., & Lai, C.-Y. (2010). Taiwanese 3G mobile phone demand forecasting by SVR with hybrid evolutionary algorithms. Expert Systems with Applications, 37(6), 4452-4462.
Keles, D., Scelle, J., Paraschiv, F., & Fichtner, W. (2016). Extended forecast methods for day-ahead electricity spot prices applying artificial neural networks. Applied Energy, 162, 218-230.
Khashman, A., & Nwulu, N. I. (2011). Support vector machines versus back propagation algorithm for oil price prediction. Paper presented at the International Symposium on Neural Networks.
Ljung, G. M., & Box, G. E. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297-303.
Lewis, C. D. (1982). Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting: Butterworth-Heinemann.
Matyjaszek, M., Riesgo Fernández, P., Krzemień, A., Wodarski, K., & Fidalgo Valverde, G. (2019). Forecasting coking coal prices by means of ARIMA models and neural networks, considering the transgenic time series theory. Resources Policy , 61, 283-292.
Mohammadi, H. (2009). Electricity prices and fuel costs: Long-run relations and short-run dynamics. Energy Economics, 31(3), 503-509.
Moshiri, S., & Foroutan, F. (2006). Forecasting nonlinear crude oil futures prices. The Energy Journal, 27(4).
Ongsritrakul, P., & Soonthornphisaj, N. (2003). Apply decision tree and support vector regression to predict the gold price. Paper presented at the Proceedings of the International Joint Conference on Neural Networks, 2003.
Prest, B. C. (2018). Explanations for the 2014 oil price decline: Supply or demand? Energy Economics, 74, 63-75.
Quispe, C. A. G., Coronado, C. J. R., & Carvalho Jr, J. A. (2013). Glycerol: Production, consumption, prices, characterization and new trends in combustion. Renewable and Sustainable Energy Reviews, 27, 475-493.
Rodger, J. A. (2014). A fuzzy nearest neighbor neural network statistical model for predicting demand for natural gas and energy cost savings in public buildings. Expert Systems with Applications, 41(4, Part 2), 1813-1829.
Shafiee, S., & Topal, E. (2008). An econometrics view of worldwide fossil fuel consumption and the role of US. Energy Policy, 36(2), 775-786.
Shafiee, S., & Topal, E. (2009). When will fossil fuel reserves be diminished? Energy Policy, 37(1), 181-189.
Shafiee, S., & Topal, E. (2010). A long-term view of worldwide fossil fuel prices. Applied Energy, 87(3), 988-1000.
Shao, Y. E., & Chiu, C.-C. (2016). Applying emerging soft computing approaches to control chart pattern recognition for an SPC–EPC process. Neurocomputing, 201, 19-28.
Taşpınar, F., Çelebi, N., & Tutkun, N. (2013). Forecasting of daily natural gas consumption on regional basis in Turkey using various computational methods. Energy and Buildings, 56, 23-31. A
Vapnik, VN. (2000).The nature of statistical learning theory. Springer, New York
Wijaya, Y. B., Kom, S., & Napitupulu, T. A. (2010). Stock price prediction: comparison of Arima and artificial neural network methods-An Indonesia Stock's Case. Paper presented at the 2010 Second International Conference on Advances in Computing, Control, and Telecommunication Technologies.
Xiang, Y., & Zhuang, X. H. (2013). Application of ARIMA model in short-term prediction of international crude oil price. Paper presented at the Advanced Materials Research.
Xie, G.-q. (2011). The optimization of share price prediction model based on support vector machine. Paper presented at the 2011 International Conference on Control, Automation and Systems Engineering (CASE).

網路資料
能源通識站(2020年03月18日)。https://www.ls-energy.hk/chi/future-energy-demand.html
綠色能源(2020年03月18日)。http://www3.nstm.gov.tw/green/01_about_a.html
智通財經(2020年03月18日)。https://www.zhitongcaijing.com/content/detail/264550.html
The News Lens關鍵評論(2020年03月18日)。https://www.thenewslens.com/article/120369
index mundi(2020年03月18日)。https://www.indexmundi.com/commodities/?commodity

電子全文 電子全文(網際網路公開日期:20250720)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔