سرمایه گذاری در صنعت نفت معمولاً به دلیل عدم اطمینان ناشی از عوامل اقتصادی با ریسک بالایی روبرو می شود. عوامل معمولی شامل قیمت نفت و گاز ، نرخ بهره ، هزینه عملیاتی و سرمایه است. علاوه بر این ، با افزایش فعالیتهای اکتشافی ، حفاری و تولید ، ریسک سرمایه گذاری افزایش می یابد. بنابراین پیش بینی دقیق عوامل اقتصادی در بخش بالادستی نفت و گاز به منظور اتخاذ تصمیمات استراتژیک بهتر با ریسک حداقل ممکن است.
در پژوهش حاضر ، چهار روش از حداقل وکتور پشتیبان مربعی (LSSVM) ، برنامه نویسی ژنتیکی (GP) ، شبکه عصبی مصنوعی (ANN) و میانگین متحرک یکپارچه رگرسیون خودکار (ARIMA) در ابتدا برای پیش بینی قیمت ماهانه روغن استفاده شد ( MOP) ، قیمت روزانه گاز (DGP) و نرخ بهره سالانه (AIR). در مرحله بعد ، الگوریتم خفاش متا اکتشافی (BA) به منظور ترکیب بهینه چهار روش پیش بینی ذکر شده در یک معادله یکپارچه به عنوان یک رویکرد جدید استفاده شد. کلیه داده های تاریخی مورد نیاز برای پیش بینی قیمت نفت ، قیمت بنزین و نرخ بهره از بانک مرکزی جمهوری اسلامی ایران جمع آوری شده است.
تجزیه و تحلیل خطا از نظر ضریب تعیین (R2) ، میانگین درصد خطای نسبی مطلق (AAREP) ، خطای میانگین مربعات ریشه (RMSE) و توزیع احتمال تجمعی در مقابل درصد خطای نسبی مطلق برای مقایسه عملکرد پیش بینی روش های پیش بینی استفاده شد.
تجزیه و تحلیل خطا ثابت می کند که روش بهینه سازی شده BA از نظر بالاترین R2 و کمترین RMSE نسبت به سایر روشهای پیش بینی برتر است. پس از روش بهینه سازی BA ، ساخت LSSVM ، ARIMA ، ANN و GP به ترتیب قابلیت پیش بینی بهتری دارند. نتایج نشان می دهد که روش بهینه شده BA RMSE را در پیش بینی MOP حداقل ۶٫۶۱٪ کاهش می دهد. پیش بینی DGP توسط ۱۸٫۳۳٪؛ و ۲۳٫۱۳٪ در پیش بینی AIR نسبت به سایر روشهای پیش بینی.