پیش‌بینی قیمت نفت خام مبتنی بر هوش مصنوعی با استفاده از ویژگی‌های متعدد تحت تأثیر جنگ روسیه و اوکراین و همه‌گیری COVID-19

عنوان فارسی مقاله:پیش‌بینی قیمت نفت خام مبتنی بر هوش مصنوعی با استفاده از ویژگی‌های متعدد تحت تأثیر جنگ روسیه و اوکراین و همه‌گیری COVID-19

چکیده

اثر همه گیر COVID-19 بر قیمت نفت خام به تازگی کاهش یافته است. در همین حین، جنگ روسیه و اوکراین بحران جدیدی را به همراه داشت. در این مقاله، یک نرم افزار جدید توسعه داده شده است که با ترکیب این دو اثر جهانی، تغییر قیمت نفت خام را پیش‌بینی می‌کند. برخلاف اکثر مطالعات موجود، این کار از مجموعه داده‌ای استفاده می‌کند که شامل داده‌های جمع‌آوری‌شده در طول بیست و دو سال است و شامل هفت ویژگی مختلف است، مانند باز شدن نفت خام، بسته شدن، بالاترین ارزش روزانه و کمترین ارزش روزانه. این کار از اعتبارسنجی متقاطع برای پیش‌بینی قیمت نفت خام با استفاده از الگوریتم‌های یادگیری ماشین (ماشین بردار پشتیبانی، رگرسیون خطی و جنگل بارانی) و الگوریتم‌های یادگیری عمیق (حافظه کوتاه‌مدت بلند مدت و حافظه کوتاه‌مدت دوسویه) استفاده می‌کند. نتایج به‌دست‌آمده توسط الگوریتم‌های یادگیری ماشین و یادگیری عمیق با هم مقایسه می‌شوند. در نهایت، تخمین عملکرد بالا را می‌توان در این کار با میانگین مقدار خطای مطلق بالای ۰٫۳۷۸۶ به دست آورد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Artificial Intelligence-Based Prediction of Crude Oil Prices Using Multiple Features under the Effect of Russia–Ukraine War and COVID-19 Pandemic

Abstract

The effect of the COVID-19 pandemic on crude oil prices just faded; at this moment, the Russia–Ukraine war brought a new crisis. In this paper, a new application is developed that predicts the change in crude oil prices by incorporating these two global effects. Unlike most existing studies, this work uses a dataset that involves data collected over twenty-two years and contains seven different features, such as crude oil opening, closing, intraday highest value, and intraday lowest value. This work applies cross-validation to predict the crude oil prices by using machine learning algorithms (support vector machine, linear regression, and rain forest) and deep learning algorithms (long short-term memory and bidirectional long short-term memory). The results obtained by machine learning and deep learning algorithms are compared. Lastly, the high-performance estimation can be achieved in this work with the average mean absolute error value over 0.3786.