ارائه ی یک مدل ترکیبی برای پیش بینی تقاضای روزانه آب شهری
نویسندگان
چکیده مقاله:
آب به عنوان یکی از مهمترین نیازهای بشر، در زندگی روزمره دارای نقش حیاتی است. آگاهی از میزان تقاضای مورد نیاز آب برای سیاستگذاری مدیریت تقاضا، از اهمیت ویژهای برخوردار است. در این مطالعه مدلی ترکیبی (تلفیقی از مدلهای خطی و غیرخطی) منطبق با شرایط و ساختار اقلیمی شهر تهران و متغیرهای موثر بر مصرف آب برای پیش بینی تقاضای کوتاهمدت آب شهری طراحی شده است. با کمک این مدل، تقاضای روزانه آب شهری برای 10 روز بعد بر اساس مدلهای ARIMA، شبکه عصبی و مدل تلفیقی تبدیل موجک، پیشبینی شده است. سپس مقادیر پیشبینی شده هر یک از مدلها، توسط معیار ارزیابی MAPE و R2 در پیشبینی گامبهگام و مجموع 10 روز مورد ارزیابی قرار گرفته است. در نهایت برای تقاضای روزانه آب شهر تهران، مدل تلفیقی تبدیل موجک با خطای کم (دقت پیشبینی بالا) به عنوان مدل بهینه انتخاب شده است. طبقه بندی JEL: C45 ،C53 ،D12 ،Q25
منابع مشابه
توسعۀ یک مدل خبره برای پیش بینی تقاضای آب شهری با استفاده از شبکۀ عصبی مصنوعی، نمونه موردی شهر ایلام
مدیریت و تأمین آب شهری، همواره یکی از دغدغه های اصلی مدیران و برنامه ریزان شهری بوده است. شناخت تقاضای آب شهری و عوامل مؤثر بر آن، از مولفه های مهم در مدیریت و کنترل مصرف آب شهری محسوب می شود. در تحقیق حاضر مدلی خبره برای پیش بینی تقاضای آب شهری ایلام با استفاده از شبکۀ عصبی مصنوعی توسعه یافته است. مدل خبره، مبتنی بر عوامل مؤثری است که از درآمد سالانه ( x1)، ناحیه مصرف(x2)...
متن کاملمدل ترکیبی پیش بینی تقاضای گردشگری داخلی شهر تهران
در سالهای اخیر با تغییر الگوی تعطیلات و شکلگیری تعطیلات کوتاهمدت، شهرها فرصتی برای توسعه گردشگری پیدا کردند. به همین منظور پژوهش حاضر سعی دارد ابتدا 4 نوع از مهمترین انواع گردشگری داخلی شهر تهران را شناسایی و سپس مدلهایی برای پیشبینی متغیرهای تأثیرگذار بر پیشبینی تقاضای هر یک از آنها پیشنهاد کند. برای این کار از اطلاعات حتی المقدورماهیانه بین سالهای 1381 تا 1394 استفادهشده است. متغیر مس...
متن کاملارزیابی روشهای پیش بینی و ارائه مدل ترکیبی بهینه در خصوص پیش بینی درآمدهای مالیاتی
این مقاله به پیش بینی درآمدهای مالیاتی به تفکیک منابع وصولی (کل، اشخاص حقوقی، درآمد، ثروت و کالا و خدمات) برای سالهای 91-1390 می پردازد. به منظور دستیابی به پیش بینی های دقیق تر ابتدا ماهیت ساختاری سریهای زمانی مورد نظر از جهت خطی، غیرخطی و تصادفی بودن و میزان پیچیدگی سیستم مولد سریهای زمانی مالیاتی با استفاده از آزمون های نمای لیاپانوف و بعدهمبستگی بررسی شده است. نتایج حاصل از آزمون نمای لیاپا...
متن کاملارائه مدل ترکیبی ژنتیک ـ کریجینگ برای پیش بینی زمانی و مکانی سطح آب زیرزمینی
استفاده از روش های هوشمند تکاملی و مدل های ترکیبی برای پیش بینی زمانی ـ مکانی نوسانات سطح آب زیرزمینی در دهه های اخیر بیشتر مورد توجه محققین قرار گرفته است. الگوریتم ژنتیک و نروفازی از روش های جدید پیش بینی نوسانات سطح آب زیرزمینی هستند که برای پیش بینی مسائل پیچیده و غیرخطی می توانند به صورت منفرد و ترکیبی به کار روند. در این پژوهش، از روش های فوق برای مطالعه آبخوان دشت هادیشهر که به دلیل بردا...
متن کاملارائه یک مدل فعالیت- مبنا برای پیش بینی سفر شهری
مدلسازی پیش بینی تقاضای سفر از دهه 1950 میلادی آغاز شد. اولین مدل های ساخته شده به صورت همفزون دارای چهار مرحله مدلسازی مستقل ایجاد سفر، توزیع سفر، تفکیک وسیله و تخصیص مسیر می باشد. اما پس از مشاهده کاستی های این فرایند در تحلیل استراتژی ها و نتایج نادرست پیش بینی تقاضا از دهه 1970 میلادی توسعه روش های ناهمفزون که پایه رفتاری دارند مورد استقبال برنامه ریزان و تصمیم گیران صنعت حمل و نقل قرار گرف...
15 صفحه اولاحتمال وقوع بارش های روزانه ی ایران و پیش بینی آن با مدل زنجیره ی مارکوف
در این پژوهش، وقوع بارش های ایران بر اساس قوانین احتمال به صورت فرایندهای تصادفی و با استفاده از مدل زنجیره مارکوف واکاوی شد. برای رسیدن به این هدف، از داده های رخداد و رخنداد بارش پایگاه داده اسفزاری به مدت ۴۳ سال (۱/۱/۱۳۴۰ تا ۱۱/۱۰/۱۳۸۳) استفاده شد. این اطلاعات بر روی۷۱۸۷ یاخته و شامل ۱۵۹۹۱ روز است. با استفاده از مدل زنجیره مارکوف مرتبه اول با دو حالت بارش و بی بارش، آرایه فراوانی تشکیل و سپس...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 9 شماره 1
صفحات 1- 17
تاریخ انتشار 2012-06-19
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023