استفاده از مدل های سری زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیش بینی دبی ورودی به سد گرگان

Authors

  • ابوالحسن فتح آبادی استادیار، گروه آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، ایران
  • میثم صمدی دانشجوی دکتری، گروه آبخیزداری و مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
Abstract:

پیش­بینی مقادیر جریان ورودی به سیستم منابع آب به­منظور آگاهی از شرایط آینده و برنامه­ریزی برای تخصیص بهینه منابع آب به بخش­های مختلف از قبیل شرب، کشاورزی و صنعتی امری ضروری در مدیریت منابع آب می­باشد. هدف از پژوهش حاضر پیش­بینی مقادیر دبی ماهانه ورودی به سد گرگان برای آینده بود. بدین منظور از داده­های هیدرومتری ایستگاه قزاقلی با دوره­ آماری 47 سال و سه مدل سری­زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیش­بینی استفاده شد و نتایج مدل­های مختلف مورد مقایسه قرار گرفت. با توجه به نتایج به­دست آمده در مدل سری زمانی بر اساس معیارهای آکاییک و شوارتز، مدل(1,0,1)  ARIMA (1,0,0)به­عنوان مدل بهینه­ انتخاب شد. در مدل شبکه عصبی، شبکه با ورودی 2 و 10 نرون به­عنوان شبکه برتر انتخاب شد و در مدل ماشین بردار پشتیبان شبکه با ورودی 1 به­عنوان شبکه برتر انتخاب شد. در نهایت با توجه به نتایج به­دست آمده و با توجه به معیارهای ارزیابی مدل­ها، مدل ماشین بردار پشتیبان بهترین عملکرد را نسبت به دو مدل دیگر داشت. مقادیر RMSE و AARE برای مدل ماشین بردار پشتیبان به­ترتیب 31/5 و 07/1، برای مدل شبکه عصبی به­ترتیب 88/9 و 78/2 و برای مدل سری زمانی به­ترتیب 84/8 و 20/1 به­دست آمد. بر اساس نتایج این پژوهش، بهترین مدل برای پیش­بینی دبی ماهانه ورودی به سد گرگان مدل ماشین بردار پشتیبان می­باشد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

کاربردهای شبکه های عصبی در پیش بینی سری های زمانی

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...

full text

مدل سازی رواناب رودخانه صوفی چای با استفاده از ماشین بردار پشتیبان و شبکه عصبی مصنوعی

Accurate simulation runoff process can have a significant role in water resources management and related issues. The inherent complexity of  this process makes difficult the use of physical and numerical models. In recent years, application of intelligent models is increased a powerful tool in hydrological modeling. The aim of this study was the application of the Gamma test to select the optim...

full text

پیش بینی تورم ایران با استفاده از مدل های ساختاری ، سری های زمانی و شبکه های عصبی

امروزه ، پیش بینی متغیر های کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحد های اقتصادی برخوردار است. در نتیجه ، دردهه های اخیر ، مدل های پیش بینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداخته اند. اخیراً به موازات مدل های متداول قبلی مانند مدل های ساختاری و سری زمانی ، مدل های دیگری تحت عنوان شبکه های عصبی مصنوعی در زمینه پیش بینی متغیر های مالی و پولی بکار گرفته شده اند. این م...

full text

پیش‌بینی جریان با استفاده از مدل ماشین بردار پشتیبان بر مبنای سری های زمانی دبی و بارش در ایستگاه‌های بالادست (مطالعه موردی : ایستگاه هیدرومتری تله زنگ)

در این پژوهش به منظور پیش‌بینی دبی ماهانه ایستگاه هیدرومتری تله زنگ از مدل ماشین بردار پشتیبان (svm) و آمار 10 ایستگاه هیدرومتری و 8 ایستگاه باران‌سنجی بالادست آن در طول یک دوره آماری 20 ساله (1371-1390) استفاده شد. لذا در اولین گام تاثیر استفاده از سری‌های زمانی دبی، بارش و ترکیبی از این دو پارامتر به عنوان ورودی و در گام بعد تاثیر تعداد ایستگاه‌های هیدرومتری و باران‌سنجی بالادست بر نتایج پیش‌...

full text

پیش بینی ژن‏ های بیماری با استفاده از دسته‏ بند تک‌کلاسی ماشین بردار پشتیبان

Abstract: In disease gene identification and classification, users are only interested in classifying one specific class, disease genes, without considering other classes (non-disease genes). This situation is referred to as one-class classification. Existing machine learning-based methods typically use known disease gene as positive training set and unknown genes as negative training set to bu...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 4  issue 4

pages  299- 309

publication date 2019-01-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023