Later, starting from 1984, several

Later, starting from 1984, several econometric modeli ng techni ques have be en employ ed. Among them, the M odel for Analysis of Energy Dema nd (MA ED), which was used in energy planning and policy making by MENR, ha s been the most commonl y applied one Ediger an d Tatlı dil (2002) proposed a new technique of analyzing the cyclic patterns in the time-series data of annual additional amounts of energy consumption and
compared the results with those of the Winters’ exponential smoothing method. The paper also includes a comprehensive review and comparison of all previous energy demand
forecasts done in Turkey.
Since Ediger and Tatlıdil (2002), various techniques have been applied in energy demand forecasting of Turkey, such as degree-day, linear and multivariate regression, autoregression, genetic algorithm, and artificial neural network (Table 1). Sarak and Satman (2003) modeled the natural gas demand for residential heating in Turkey based on
degree-day (DD) concept, which was first applied by Durmayaz et al. (2000) and Gu¨mrah et al. (2001) in Turkey. Later in 2004, linear regression, multivariable regression, and first-order autoregressive time series modeling were used by Yumurtacı and Asmaz (2004), Go¨ru¨cu¨ and Gu¨mrah (2004), and Aras and Aras (2004),
respectively. Again in the year 2004, genetic algorithm model approach began to be used for forecasting energy and exergy consumptions by various authors such as
Canyurt et al. (2004), Ceylan and O¨ ztu¨rk (2004), and O¨ ztu¨rk et al. (2004). In 2005, several versions of this methodology such as Genetic Algorithm Transport Energy
Demand Estimation (GATEDE), Genetic Algorithm Energy (GAEN), Genetic Algorithm Exergy (GAEX) have been developed by Haldenbilen and Ceylan (2005) and Ceylan et al. (2005a, b). Finally, artificial neural-network(ANN) technique is used for energy demand forecasting by Go¨ru¨cu¨ et al. (2004) and So¨zen et al. (2005). A summary of the methods and data used and forecasting period in these studies are given in Table 1.
Among these studies, only four of them are associated with the primary energy demand in addition to Ediger and Tatlıdil (2002). Ceylan and O¨ ztu¨rk (2004), Canyurt et al.
(2004), and Ceylan et al. (2005b) used genetic algorithm method whereas So¨zen et al. (2005) used artificial neural network. Ceylan and O¨ ztu¨rk (2004) used three scenarios. Scenario 1 (GNP and population growth rates are taken as 5% and 0.12%, respectively) and Scenario 2 (GNP and population growth rates are taken as 4% and 0.14%, respectively) employ genetic algorithm in the form of linear and exponential whereas Scenario 3 employs polynomial curve fitting. Canyurt et al. (2004) used 5% of GDP growth rate and 0.12% population growth rate in two forms of non-linear equations such as exponential and quadratic. Ceylan et al. (2005b) used three forms of genetic algorithm methods such as linear, exponential, and mix. They accepted GDP growth rate as 5% and average annual population growth rate as 0.18%. Finally, So¨zen et al.
(2005) used artificial neural network in which economic, demographic, and energy data from 1975 to 2003 are used in two different methods to train the neural network

ผลลัพธ์ (ไทย) 1:

Later, starting from 1984, several econometric modeli ng techni ques have be en employ ed. Among them, the M odel for Analysis of Energy Dema nd (MA ED), which was used in energy planning and policy making by MENR, ha s been the most commonl y applied one Ediger an d Tatlı dil (2002) proposed a new technique of analyzing the cyclic patterns in the time-series data of annual additional amounts of energy consumption andcompared the results with those of the Winters’ exponential smoothing method. The paper also includes a comprehensive review and comparison of all previous energy demandforecasts done in Turkey.Since Ediger and Tatlıdil (2002), various techniques have been applied in energy demand forecasting of Turkey, such as degree-day, linear and multivariate regression, autoregression, genetic algorithm, and artificial neural network (Table 1). Sarak and Satman (2003) modeled the natural gas demand for residential heating in Turkey based ondegree-day (DD) concept, which was first applied by Durmayaz et al. (2000) and Gu¨mrah et al. (2001) in Turkey. Later in 2004, linear regression, multivariable regression, and first-order autoregressive time series modeling were used by Yumurtacı and Asmaz (2004), Go¨ru¨cu¨ and Gu¨mrah (2004), and Aras and Aras (2004),respectively. Again in the year 2004, genetic algorithm model approach began to be used for forecasting energy and exergy consumptions by various authors such asCanyurt et al. (2004), เซย์แลนและ O¨ ztu¨rk (2004), และ O¨ ztu¨rk et al. (2004) ในปี 2005 รุ่นหลายวิธีนี้เช่นพลังงานขนส่งอัลกอริทึมทางพันธุกรรมการประเมินความต้องการ (GATEDE), พลังงานขั้นตอนวิธีพันธุกรรม (GAEN) Exergy อัลกอริทึมทางพันธุกรรม (GAEX) ได้รับการพัฒนา โดย Haldenbilen และเซย์แลน (2005) และ al. et เซย์แลน (2005a, b) ในที่สุด เทคนิค neural-network(ANN) เทียมใช้สำหรับพลังงานความต้องการการคาดการณ์โดย Go¨ru¨cu¨ et al. (2004) และ So¨zen et al. (2005) สรุปวิธีการและข้อมูลที่ใช้และการประมาณระยะเวลาในการศึกษาเหล่านี้ได้ในตารางที่ 1ระหว่างการศึกษานี้ 4 เท่านั้นเกี่ยวข้องกับความต้องการพลังงานหลัก Ediger และ Tatlıdil (2002) เซย์แลนและ O¨ ztu¨rk (2004), Canyurt et al(2004), and Ceylan et al. (2005b) used genetic algorithm method whereas So¨zen et al. (2005) used artificial neural network. Ceylan and O¨ ztu¨rk (2004) used three scenarios. Scenario 1 (GNP and population growth rates are taken as 5% and 0.12%, respectively) and Scenario 2 (GNP and population growth rates are taken as 4% and 0.14%, respectively) employ genetic algorithm in the form of linear and exponential whereas Scenario 3 employs polynomial curve fitting. Canyurt et al. (2004) used 5% of GDP growth rate and 0.12% population growth rate in two forms of non-linear equations such as exponential and quadratic. Ceylan et al. (2005b) used three forms of genetic algorithm methods such as linear, exponential, and mix. They accepted GDP growth rate as 5% and average annual population growth rate as 0.18%. Finally, So¨zen et al.(2005) used artificial neural network in which economic, demographic, and energy data from 1975 to 2003 are used in two different methods to train the neural network

ผลลัพธ์ (ไทย) 2:

ต่อมาเริ่มต้นจากปี 1984 หลายเศรษฐ modeli งะเทคนิคการ ques ได้เป็น en จ้างเอ็ด ในหมู่พวกเขา Odel M สำหรับการวิเคราะห์พลังงาน Dema ครั้ง (MA ED) ซึ่งถูกนำมาใช้ในการวางแผนการใช้พลังงานและการกำหนดนโยบายโดย MENR ฮ่า s รับ y ที่ commonl ส่วนใหญ่นำไปใช้อย่างใดอย่างหนึ่งเอดิเกอร์ d Tatlıดิล (2002) ได้เสนอเทคนิคใหม่ การวิเคราะห์รูปแบบวงจรในข้อมูลอนุกรมเวลาของจำนวนเงินที่เพิ่มขึ้นประจำปีของการใช้พลังงานและ
เปรียบเทียบผลกับผู้ที่ฤดูหนาววิธีการปรับให้เรียบชี้แจง กระดาษยังรวมถึงการตรวจสอบที่ครอบคลุมและการเปรียบเทียบของความต้องการพลังงานทั้งหมดก่อนหน้านี้
การคาดการณ์ที่ทำในตุรกี.
ตั้งแต่เอดิเกอร์และTatlıdil (2002), เทคนิคต่างๆได้ถูกนำมาใช้ในการพยากรณ์ความต้องการพลังงานของตุรกีเช่นองศาวันเชิงเส้นและการถดถอยหลายตัวแปร autoregression ขั้นตอนวิธีทางพันธุกรรมและเครือข่ายประสาทเทียม (ตารางที่ 1) Sarak และ Satman (2003) รูปแบบความต้องการใช้ก๊าซธรรมชาติเพื่อให้ความร้อนที่อยู่อาศัยในประเทศตุรกีอยู่บนพื้นฐานของ
การศึกษาระดับปริญญาวัน (DD) แนวความคิดซึ่งถูกนำมาใช้เป็นครั้งแรกโดย Durmayaz et al, (2000) และGu¨mrah et al, (2001) ในตุรกี ต่อมาในปี 2004 การถดถอยเชิงเส้นถดถอยหลายตัวแปรและลำดับแรกเวลาการสร้างแบบจำลองชุดอัตถูกนำมาใช้โดยYumurtacıและ Asmaz (2004), และGo¨ru¨cu¨Gu¨mrah (2004) และ Aras และ Aras (2004)
ตามลำดับ อีกครั้งในปี 2004 วิธีการรูปแบบขั้นตอนวิธีพันธุกรรมเริ่มที่จะนำมาใช้สำหรับการคาดการณ์การใช้พลังงานและการบริโภค exergy โดยผู้เขียนต่างๆเช่น
Canyurt et al, (2004), และ O Ceylan ztu¨rk (2004) และ O ztu¨rk et al, (2004) ในปี 2005 หลายรุ่นของวิธีการนี้เช่นพันธุกรรมการขนส่งพลังงาน
การประมาณค่าความต้องการ (GATEDE) พันธุกรรมพลังงาน (Gaen) พันธุกรรม exergy (GAEX) ได้รับการพัฒนาโดย Haldenbilen และ Ceylan (2005) และ Ceylan et al, (2005A b) ในที่สุดเครือข่ายประสาทเทียม (ANN) เทคนิคที่ใช้สำหรับการพยากรณ์ความต้องการพลังงานโดยการGo¨ru¨cu¨ et al, (2004) และSo¨zen et al, (2005) บทสรุปของวิธีการและข้อมูลที่ใช้และระยะเวลาที่คาดการณ์ในการศึกษาเหล่านี้จะได้รับในตารางที่ 1
ในบรรดาการศึกษาเหล่านี้เท่านั้นที่สี่ของพวกเขามีความเกี่ยวข้องกับความต้องการพลังงานหลักนอกเหนือไปจากเอดิเกอร์และTatlıdil (2002) Ceylan และ O ztu¨rk (2004), Canyurt et al.
(2004) และ Ceylan et al, (2005b) ใช้วิธีการขั้นตอนวิธีพันธุกรรมขณะSo¨zen et al, (2005) ที่ใช้เครือข่ายประสาทเทียม Ceylan และ O ztu¨rk (2004) ใช้สามสถานการณ์ กรณีที่ 1 (ผลิตภัณฑ์มวลรวมประชาชาติและอัตราการเติบโตของประชากรถูกนำมาเป็น 5% และ 0.12% ตามลำดับ) และกรณีที่ 2 (ผลิตภัณฑ์มวลรวมประชาชาติและอัตราการเติบโตของประชากรถูกนำมาเป็น 4% และ 0.14% ตามลำดับ) จ้างขั้นตอนวิธีพันธุกรรมในรูปแบบของเส้นและชี้แจงในขณะที่ สถานการณ์ที่ 3 พนักงานปรับเส้นโค้งพหุนาม Canyurt et al, (2004) ที่ใช้ 5% ของอัตราการเติบโตของจีดีพีและ 0.12% อัตราการเติบโตของประชากรในสองรูปแบบของสมการไม่เชิงเส้นเช่นชี้แจงและกำลังสอง Ceylan et al, (2005b) ที่ใช้ในสามรูปแบบของวิธีการขั้นตอนวิธีพันธุกรรมเช่นเส้นชี้แจงและผสม พวกเขาได้รับการยอมรับอัตราการเติบโตของจีดีพีเป็น 5% และอัตราการเติบโตของประชากรเฉลี่ยต่อปีเป็น 0.18% สุดท้ายSo¨zen et al.
(2005) ที่ใช้เครือข่ายประสาทเทียมในการที่เศรษฐกิจประชากรและข้อมูลพลังงาน 1975-2003 จะใช้ในสองวิธีที่แตกต่างกันในการฝึกอบรมเครือข่ายประสาท

ผลลัพธ์ (ไทย) 3:

ต่อมา เริ่มตั้งแต่ปี 1984 หลายแบบจำลองทางเศรษฐมิติแบบจําลอง ของช่างเทคนิค ques ได้เป็น en จ้างเอ็ด ในหมู่พวกเขา , M โอเดลสำหรับการวิเคราะห์ของ ND เดมาพลังงาน ( MA Ed ) ซึ่งถูกใช้ในการวางแผนและกำหนดนโยบายโดย menr พลังงาน ,ฮาได้อีก เ ิเกอร์ D tatl ıภาษาประยุกต์ commonl ที่สุด Y ( 2002 ) เสนอเทคนิคใหม่ในการวิเคราะห์รูปแบบวงกลมในข้อมูลอนุกรมเวลารายปีเพิ่มปริมาณการใช้พลังงานและ
เมื่อเทียบผลที่ฤดูหนาว ' วิธีการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล . กระดาษยังรวมถึงการตรวจสอบที่ครอบคลุมและเปรียบเทียบความต้องการพลังงาน
ก่อนหน้านี้ทั้งหมดคาดเสร็จในตุรกี และı
ตั้งแต่ เ ิเกอร์ tatl Dil ( 2002 ) , เทคนิคต่างๆมาใช้ในการพยากรณ์ความต้องการพลังงานของตุรกี เช่นระดับวัน เชิงเส้น และแบบการถดถอย , การถดถอยอัตตะ ขั้นตอนวิธีทางพันธุกรรม และโครงข่ายประสาทเทียม ( ตารางที่ 1 ) sarak satman ( 2003 ) และแบบจําลองความต้องการก๊าซธรรมชาติสำหรับที่อยู่อาศัยความร้อนในตุรกีตาม
/ วัน ( DD ) แนวคิดซึ่งเป็นครั้งแรกที่ใช้โดย durmayaz et al . ( 2000 ) และ กูตั้ง mrah et al . ( 2001 ) ในตุรกี ต่อมาในปี 2004 , การถดถอยเชิงเส้นพหุคูณวิธี multivariable , แรก , และแบบจำลองอนุกรมเวลาที่ถูกใช้โดย yumurtac ı และ asmaz ( 2004 ) ไปตั้งตั้ง CU ที่จะตั้งและกูตั้ง mrah ( 2004 ) , และ อาราส และอาราส ( 2004 ) ,
) อีกครั้งในปี 2004วิธีการรูปแบบขั้นตอนวิธีทางพันธุกรรม เริ่มมีการใช้พลังงานและเอ็กเซอร์ยีการพยากรณ์การบริโภคโดยผู้เขียนต่างๆเช่น
canyurt et al . ( 2004 ) , เซย์ลันและ o ตั้ง ztu ตั้ง RK ( 2004 ) , และ o ตั้ง ztu ตั้ง RK et al . ( 2004 ) ในปี 2005 , หลายรุ่นของวิธีการนี้เช่นพันธุกรรมอัลกอริทึมการประมาณอุปสงค์การขนส่งพลังงาน
( gatede ) , ขั้นตอนวิธีเชิงพันธุกรรมพลังงาน ( แก่น )ขั้นตอนวิธีเชิงพันธุกรรม ( gaex เซอร์ ) ได้รับการพัฒนาโดย haldenbilen และเซย์ลัน ( 2005 ) และเซย์ลัน et al . ( 2005a , B ) ในที่สุด , โครงข่ายประสาทเทียม ( ANN ) เป็นเทคนิคที่ใช้สำหรับการพยากรณ์ความต้องการพลังงานโดยไปตั้งตั้ง CU ที่จะตั้ง et al . ( 2004 ) และตั้งเซน et al . ( 2005 ) สรุปวิธีการและข้อมูลที่ใช้ระยะเวลาในการศึกษาและพยากรณ์เหล่านี้จะได้รับตารางที่ 1 .
ในการศึกษาเหล่านี้เพียงสี่ของพวกเขาที่เกี่ยวข้องกับความต้องการพลังงานหลักนอกจาก เ ิเกอร์ และ tatl ı Dil ( 2002 ) เซย์ลันและ o ตั้ง ztu ตั้ง RK ( 2004 ) , canyurt et al .
( 2004 ) , และเซย์ลัน et al . ( 2005b ) ใช้วิธีการและขั้นตอนวิธีเชิงพันธุกรรมเพื่อตั้งเซน et al . ( 2005 ) ที่ใช้โครงข่ายประสาทเทียม เซย์ลันและ o ตั้ง ztu ตั้ง RK ( 2004 ) ใช้สามสถานการณ์ บทที่ 1 ( GNP และอัตราการเติบโตของประชากรถูกนำมาเป็น 5% และ 0.12 %ตามลำดับ ) และกรณี 2 ( GNP และอัตราการเติบโตของประชากรไปเป็น 4 % และ 0.14 ตามลำดับ ) ใช้ขั้นตอนวิธีเชิงพันธุกรรมในรูปของเส้นและชี้แจงสถานการณ์ 3 ใช้พหุนามและการปรับเส้นโค้ง canyurt et al . ( 2004 ) ใช้ 5 % ของอัตราการเจริญเติบโตของ GDP และ 0.12 % อัตราการเติบโตของประชากรในรูปแบบที่สองของสมการไม่เชิงเส้นเช่น เอกซ์โพเนนเชียลและกำลังสอง . เซย์ลัน et al .( 2005b ) ใช้สามรูปแบบของวิธีการขั้นตอนวิธีทางพันธุกรรม เช่น เชิงเอกซ์โพเนนเชียล และผสม พวกเขายอมรับอัตราการเติบโตจีดีพี 5% และมีค่าเฉลี่ยของอัตราการเติบโตของประชากรเป็น 0.18 % ในที่สุด ดังนั้นตั้งเซน et al .
( 2005 ) ใช้แบบจำลองโครงข่ายประสาทเทียม ซึ่งเศรษฐกิจ ประชากร และ พลังงาน ข้อมูลจาก 2518 ถึง 2003 จะใช้สองวิธีที่แตกต่างกันเพื่อฝึกโครงข่ายประสาทเทียม