ПОРІВНЯЛЬНИЙ АНАЛІЗ МОДЕЛЕЙ ARIMA, MLPNN І ГІБРИДНОЇ МОДЕЛІ ДЛЯ ПРОГНОЗУВАННЯ СПОТОВИХ ЦІН НА ПРИРОДНИЙ ГАЗ ВІД HENRY HUB
DOI:
https://doi.org/10.15407/economyukr.2025.11.056Ключові слова:
ухвалення рішень; прогнозування спотових цін на природний газ; авторегресійні інтегровані моделі ковзних середніх; модель нейронної мережі типу багатошарового перцептрона; гібридна модельАнотація
Метою цього дослідження є прогнозування спотових цін на природний газ за допомогою трьох підходів до моделювання: ARIMA (авторегресійна інтегрована модель ковзних середніх), нейронної мережі типу багатошарового перцептрона (MLPNN) і гібридної моделі ARIMA-MLPNN. Аналіз ґрунтується на щомісячних даних з червня 1986 р. по серпень 2024 р. Ураховуючи волатильність цін на газ, спричинену геополітичною напруженістю і динамікою ринку, підвищення точності прогнозу має вирішальне значення для планування й розроблення політики. Модель ARIMA, придатну для лінійних закономірностей, і модель MLPNN, ефективну для опрацювання нелінійних зв'язків, було оцінено разом з гібридною моделлю, яка інтегрує обидва підходи для усунення їх індивідуальних обмежень.
Для оцінювання моделей використано статистичні показники ефективності: середньоквадратичну похибку (RMSE), середню абсолютну похибку (MAE) і коефіцієнт детермінації (R²). Результати показали, що гібридна модель ARIMA-MLPNN перевершує обидві окремі моделі, забезпечуючи вищу точність прогнозування і краще реагуючи на структурні зміни в даних. Гібридна модель продемонструвала надзвичайно високу ефективність протягом останніх періодів, що характеризуються глобальною нестабільністю, підтверджуючи свою стійкість у опрацюванні як лінійних, так і нелінійних компонентів часових рядів.
Підкреслено важливість застосування гібридних методів прогнозування в економіці енергетичного сектору, особливо для ухвалення стратегічних рішень в умовах невизначеності. Результати дослідження показують, що поєднання традиційних статистичних моделей з машинним навчанням розширює прогностичні можливості, що робить гібридну модель ARIMA-MLPNN надійним інструментом для прогнозування цін на природний газ.
Посилання
Mishra, P. (2012). Forecasting natural gas price-time series and nonparametric approach. In: Proceedings of the World Congress on Engineering. Vol. 1, p. 4-6. WCE. URL: https://www.iaeng.org/publication/WCE2012/WCE2012_pp490-497.pdf
Karabiber, O., Xydis, G. (2021). A review of the day-ahead natural gas consumption in Denmark: starting point towards forecasting accuracy improvement. International Journal of Coal Science & Technology, 8, 1-22. https://doi.org/10.1007/s40789-020-00331-2
Zheng, Y., Luo, J., Chen, J., Chen, Z., Shang, P. (2023). Natural gas spot price prediction research under the background of Russia-Ukraine conflict - based on FS-GA-SVR hybrid model. Journal of Environmental Management, 344, 118446. https://doi.org/10.1016/j.jenvman.2023.118446
Umar, M., Riaz, Y., Yousaf, I. (2022). Impact of Russian-Ukraine war on clean energy, conventional energy, and metal markets: Evidence from event study approach. Resources Policy, 79, 102966. https://doi.org/10.1016/j.resourpol.2022.102966
Tang, Y., Chen, X., Sarker, P., Baroudi, S. (2023). Asymmetric effects of geopolitical risks and uncertainties on green bond markets. Technological Forecasting and Social Change, 189, 122348. https://doi.org/10.1016/j.techfore.2023.122348
Sahed, A., Kahoui, H., Mekidiche, M. (2020a). Using a GMDH-type neural network and ARIMA model to forecasting GDP in Algeria during the period of 1990-2019 [J]. American Journal of Economics and Business Management, 3(4), 37-47. URL: https://globalresearchnetwork.us/index.php/ajebm/article/view/200/163
Aslanargun, A., Mammadov, M., Yazici, B., Yolacan, S. (2007). Comparison of ARIMA, neural networks and hybrid models in time series: tourist arrival forecasting. Journal of Statistical Computation and Simulation, 77(1), 29-53. https://doi.org/10.1080/10629360600564874
Alegado, R., Tumibay, G. (2020). Statistical and machine learning methods for vaccine demand forecasting: A comparative analysis. Journal of Computer and Communications, 8(10), 37. https://doi.org/10.4236/jcc.2020.810005
Zhang, G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175. https://doi.org/10.1016/S0925-2312(01)00702-0
Cadenas, E., Rivera, W. (2010). Wind speed forecasting in three different regions of Mexico, using a hybrid ARIMA–ANN model. Renewable Energy, 35(12), 2732-2738. https://doi.org/10.1016/j.renene.2010.04.022
Zeng, D., Xu, J., Gu, J., Liu, L., Xu, G. (2008). Short term traffic flow prediction using hybrid ARIMA and ANN models. In: 2008 Workshop on power electronics and intelligent transportation system. Conference, pp. 621-625. https://doi.org/10.1109/PEITS.2008.135
Mucaj, R., Sinaj, V. (2017). Exchange rate forecasting using arima, nar and arima-ann hybrid model. Exchange, 4(10), 8581-8586. https://www.jmest.org/wp-content/uploads/JMESTN42352478.pdf
Soldo, B., Potočnik, P., Šimunović, G., Šarić, T., Govekar, E. (2014). Improving the residential natural gas consumption forecasting models by using solar radiation. Energy and buildings, 69, 498-506. https://doi.org/10.1016/j.enbuild.2013.11.032
Tamba, J., Essiane, S., Sapnken, E., Koffi., K., Nsouandélé, J., Soldo, B., Njomo, D. (2018). Forecasting natural gas: a literature survey. International Journal of Energy Economics and Policy, 8(3), 216-249. URL: https://www.econjournals.com/index.php/ijeep/article/view/6269
Nguyen, H., Nabney I. (2010). Short-term electricity demand and gas price forecasts using wavelet transforms and adaptive models. Energy, 35(9), 3674-3685. https://doi.org/10.1016/j.energy.2010.05.013
Hosseinipoor, S. (2016). Forecasting Natural Gas Prices in the United States Using Artificial Neural Networks. University of Oklahoma. Doctoral dissertation. 125 p. URL: https://core.ac.uk/download/pdf/215210834.pdf
Akpinar, M., Yumusak, N. (2016). Year ahead demand forecast of city natural gas using seasonal time series methods. Energies, 9(9), 727. https://doi.org/10.3390/en9090727
Sahed, A., Mekidiche, M., Kahoui, H. (2020b). Forecasting natural gas prices using nonlinear autoregressive neural network. International Journal of Mathematical Sciences and Computing, 5, 37-46. https://doi.org/10.5815/ijmsc.2020.05.04
Park, S., Kim, J. (2014). An application of artificial neural network in short-run natural gas price forecasting. Journal of the Korean Society of Mineral and Energy Resources Engineers, 51(6), 761-770. https://doi.org/10.12972/ksmer.2014.51.6.761
Szoplik, J. (2015). Forecasting of natural gas consumption with artificial neural networks. Energy, 85, 208-220. https://doi.org/10.1016/j.energy.2015.03.084
Ram, M., Taklif, A., Faridzad, A. (2019). Prediction of Natural Gas Prices in European Gas Hubs Using Artificial Neural Network. Petroleum Business Review, 3(2), 1-14. https://doi.org/10.22050/pbr.2019.113878
Wang, C., Xu, J., Xu, K., Yuan, K., Qi, Y., & Mu, Y. (2019). Rolling forecast nature gas spot price with back propagation neural network. In: 2019 IEEE Sustainable Power and Energy Conference (iSPEC), 2473-2477. IEEE. https://doi.org/10.1109/iSPEC48194.2019.8974910
Akpinar, M., Adak, M., Yumusak, N. (2017). Day-ahead natural gas demand forecasting using optimized ABC-based neural network with sliding window technique: The case study of regional basis in Turkey. Energies, 10(6), 781. https://doi.org/10.3390/en10060781
Su, M., Zhang, Z., Zhu, Y., Zha, D., Wen, W. (2019). Data driven natural gas spot price prediction models using machine learning methods. Energies, 12 (9), 1680. https:// doi.org/10.3390/en12091680
Li, J., Wu, Q., Tian, Y., Fan, L. (2021). Monthly Henry Hub natural gas spot prices forecasting using variational mode decomposition and deep belief network. Energy, 227, 120478. https://doi.org/10.1016/j.energy.2021.120478
Gao, S., Hou, C., Nguyen, B. (2021). Forecasting natural gas prices using highly flexible time-varying parameter models. Economic Modelling, 105, 105652. https://doi.org/10.1016/j.econmod.2021.105652
Jin, B., Xu, X. (2024). Price forecasting through neural networks for crude oil, heating oil, and natural gas. Measurement: Energy, 1, 100001. https://doi.org/10.1016/j.meaene.2024.100001
Sari-Hassoun, S., Boudjourfa, N., Mékidiche, M. (2025). Forecasting the Weekly Spot Oil Price Using a Hybrid Model ARMA-GARCH-MLP and Prophet Forecasting Method. Economic Computation and Economic Cybernetics Studies and Research, 59 (1). http://dx.doi.org/10.24818/18423264/59.1.25.10
Dritsaki, C., Niklis, D., Stamatiou, P. (2021). Oil consumption forecasting using ARIMA models: An empirical study for Greece. International Journal of Energy Economics and Policy, 11(4), 214-224. URL: https://www.econjournals.org.tr/index.php/ijeep/article/view/11231/5913
Mahia, F., Dey, A., Masud, M., Mahmud, M. (2019). Forecasting electricity consumption using ARIMA model. In: 2019 International Conference on Sustainable Technologies for Industry 4.0 (STI) P. 1––6. https://doi.org/10.1109/STI47673.2019.9068076
Atique, S., Noureen, S., Roy, V., Subburaj, V., Bayne, S., Macfie, J. (2019). Forecasting of total daily solar energy generation using ARIMA: A case study. In: 2019 IEEE 9th annual computing and communication workshop and conference (CCWC). P. 0114––0119. https://doi.org/10.1109/CCWC.2019.8666481
Nanda, A., Gupta, S., Saleth, A., Kiran, S. (2023). Multi-layer perceptron's neural network with optimization algorithm for greenhouse gas forecasting systems. Environmental Challenges, 11, 100708. https://doi.org/10.1016/j.envc.2023.100708
Ali, Z., Hussain, I., Faisal, M., Nazir, H., Hussain, T., Shad, M., Shoukry, A., Gani, S. (2017). Forecasting drought using multilayer perceptron artificial neural network model. Advances in meteorology, 2017(1), 5681308. https://doi.org/10.1155/2017/5681308
Cifuentes, J., Marulanda, G., Bello, A., Reneses, J. (2020). Air temperature forecasting using machine learning techniques: A review. Energies, 13(16), 4215. URL: https://www.mdpi.com/1996-1073/13/16/4215
Khashei, M., Hajirahimi, Z. (2019). A comparative study of series arima/mlp hybrid models for stock price forecasting. Communications in Statistics-Simulation and Computation, 48(9), 2625-2640. https://doi.org/10.1080/03610918.2018.1458138
de Araújo Morais, L. R., da Silva Gomes, G. (2022). Forecasting daily Covid-19 cases in the world with a hybrid ARIMA and neural network model. Applied Soft Computing, 126, 109315. https://doi.org/10.1016/j.asoc.2022.109315
Skopal, R. (2015). Short-term hourly price forward curve prediction using neural network and hybrid ARIMA-NN model. In: 2015 International conference on information and digital technologies. P. 335––338. IEEE. https://doi.org/10.1109/DT.2015.7222993
Ming, W., Bao, Y., Hu, Z., Xiong, T. (2014). Multistep‐Ahead Air Passengers Traffic Prediction with Hybrid ARIMA‐SVMs Models. The Scientific World Journal, 2014(1), 567246. URL: https://onlinelibrary.wiley.com/doi/abs/10.1155/2014/567246
Xiao, Y., Xiao, J., Liu, J., Wang, S. (2014). A multiscale modeling approach incorporating ARIMA and ANNs for financial market volatility forecasting. Journal of Systems Science and Complexity, 27(1), 225-236. URL: https://link.springer.com/article/10.1007/s11424-014-3305-4
Wang, L., Zou, H., Su, J., Li, L., Chaudhry, S. (2013). An ARIMA‐ANN hybrid model for time series forecasting. Systems Research and Behavioural Science, 30(3), 244-259. https://doi.org/10.1002/sres.2179
Chicco, D., Warrens, M., Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, e623. https://doi.org/10.7717/peerj-cs.623
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Видавничий дім "Академперіодика" НАН України
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
