Previsione della domanda di petrolio su base settimanale per Punti Vendita di una determinata area geografica italiana

Abstract

Il petrolio è una delle fonti di energia più importanti al mondo, attualmente rappresenta oltre un terzo del consumo mondiale di energia primaria. La previsione della domanda di petrolio, quindi, svolge un ruolo fondamentale nella pianificazione energetica e nei processi di decision making di tutti i paesi del mondo. La capacità di prevedere con precisione la domanda di petrolio consente ai governi e alle aziende di pianificare la produzione e il consumo, di stabilire i prezzi e di definire le strategie di investimento. Nel corso degli anni, i ricercatori hanno sviluppato diversi modelli per prevedere la domanda di petrolio. Questa tesi si concentra su tre modelli di previsione: la regressione lineare, l'Autoregressive Integrated Moving Average (ARIMA) e la Support Vector Regression (SVR). L’obiettivo è individuare quale di questi modelli si adatta meglio alla previsione della domanda di gasolio settimanale di punti vendita situati nella zona di Milano. Le prestazioni dei modelli sono state valutate attraverso l'analisi degli errori di RMSE, MSE, MAE e MAPE. I risultati hanno mostrato che la regressione lineare è il modello più adatto tra quelli esaminati per la previsione della domanda di gasolio.

Oil is one of the most important energy sources in the world, currently accounting for over a third of global primary energy consumption. So, forecasting oil demand plays a crucial role in energy planning and in decision making in all countries of the world. The ability to accurately predict oil demand allows governments and companies to plan production and consumption, set prices, and develop investment strategies. Over the years, researchers have developed different models to forecast oil demand. This thesis focuses on three forecasting models: linear regression, Autoregressive Integrated Moving Average (ARIMA), and Support Vector Regression (SVR). The goal is to identify which of these models best suits the weekly demand forecast of diesel for retail outlets located in the Milan area. The models' performances were evaluated through the analysis of RMSE, MSE, MAE, and MAPE errors. The results showed that linear regression is the most suitable model among those examined for diesel demand forecasting.