ارزیابی استراتژی های میانگین گیری وزنی رتبه ای در ترکیب مدل های پیش بینی کننده جریان مطالعه موردی: رودخانه کرخه
نویسندگان
چکیده
پیشبینی ماهانه جریان رودخانه در برنامه ریزی های بلندمدت منابع آب نقش کلیدی ایفا می کند. در مقاله حاضر برای افزایش دقت پیش بینی جریان ماهانه رودخانه کرخه در محل ورودی به سد کرخه در فصل زمستان از تکنیک ترکیب مدل ها استفاده شده است. بدین منظور، پنج مدل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، k نزدیک ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل های منفرد مورد استفاده قرار گرفتند. برای ترکیب مدل های مذکور از دو استراتژی وزن دهی ثابت و متغیر به مدل های منفرد بر اساس روش میانگین گیری وزنی رتبه بندی شده (owa) استفاده شده است و در آنها، روش orlike برای تعیین وزن ها بکار رفته است. نتایج نشان می دهد که استراتژی وزن دهی متغیر دارای قابلیت بیشتری برای ارتقای نتایج پیش بینی نسبت به وزن دهی ثابت است. همچنین، مقایسه نتایج این دو استراتژی با دو استراتژی ترکیب مدل ها با شبکه عصبی مصنوعی و انتخاب بهترین مدل منفرد نشان می دهد که استراتژی وزن دهی متغیر به طور قابل توجهی سبب ارتقای دقت نتایج نسبت به هر دو استراتژی مذکور می شود به نحوی که این استراتژی دقت نتایج را نسبت به شبکه عصبی 8/51، 1/38 و 5/44 درصد و نسبت به بهترین مدل منفرد 6/7، 132 و 9/52 درصد به ترتیب در دی، بهمن و اسفندماه بهبود داده است.
منابع مشابه
ارزیابی استراتژی‌های میانگین‌گیری وزنی رتبه‌ای در ترکیب مدل‌های پیشبینی کننده جریان مطالعه موردی: رودخانه کرخه
پیشبینی ماهانه جریان رودخانه در برنامه‌ریزی‌های بلندمدت منابع آب نقش کلیدی ایفا می‌کند. در مقاله حاضر برای افزایش دقت پیشبینی جریان ماهانه رودخانه کرخه در محل ورودی به سد کرخه در فصل زمستان از تکنیک ترکیب مدل‌ها استفاده شده است. بدین منظور، پنج مدل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، K نزدیک‌ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل‌های منفر...
متن کاملپیش بینی جریان آبراهه ای با استفاده از مدل های هیبریدی هوشمند در مقیاس ماهانه (مطالعه موردی: رودخانه زرین رود)
زمینه و هدف: انتخاب ورودی‌های مناسب برای مدل‌های هوشمند از اهمیت بسزایی برخوردار است زیرا باعث کاهش هزینه و صرفه‌جویی در وقت و افزایش دقت و کارایی مدل‌ها می‌شود. هدف از پژوهش حاضر،کاربرد آنتروپی شانون برای انتخاب ترکیب بهینه متغیرهای ورودی در شبیه سازی دبی ماهانه توسط پارامترهای هواشناسی می‌باشد. روش بررسی: در این مطالعه داده های هواشناسی و سری زمانی ماهانه دب...
متن کاملپیش بینی جریان ماهانه رودخانه با استفاده از ترکیب مدل های خطی سری زمانی و شبکه های بیزین (مطالعه موردی: رودخانه بختیاری)
یکی از مسائل مهم در مدیریت منابع آب، تهیه و توسعه مدل‌های مناسب به منظور پیشبینی دقیق‌تر فرآیند جریان رودخانه‌ها می-باشد. بدین منظور در مطالعه حاضر برای پیشبینی جریان ماهانه رودخانه بختیاری، در دوره آماری 1395-1334، از مدل‌های سری-زمانی خطی (ARMA)، مدل هوشمند شبکه بیزین (BN) و مدل تلفیقی BN-ARMA استفاده شد. عملکرد مدل‌های توسعه یافته براساس شاخص‌های آماری جذر میانگین مربعات خطا (RMSE)، ضریب ...
متن کاملپیش بینی جریان سالانه رودخانه با استفاده از مدل خودهمبسته تجمعی میانگین متحرک و رگرسیون فازی
رشد روزافزون جمعیت و محدودیت منابع آب سطحی در کشور، لزوم پیشبینی دقیق‌تر مقدار آورد رودخانه را به دلیل اهمیت در برنامه‌ریزی و مدیریت منابع آب از جمله بهره‌برداری از مخازن و طراحی سازه‌های کنترل سیلاب با استفاده از ابزارها و روش‌های نوین مدلسازی می‌طلبد. در این راستا، مدل‌های سری زمانی از دیرباز مورد توجه هیدرولوژیست‌ها بوده‌اند. هدف این تحقیق، ارزیابی کارآیی دو رهیافت کلی مدل سری زمانی و رگرسی...
متن کاملاستفاده از مدل عددی در حل معادلات جریان و برآورد آلاینده های کیفی رودخانه ها (مطالعه موردی رودخانه کرخه)
متن کامل
تحلیل عدم قطعیت مدل های شبکه عصبی و نروفازی در پیش بینی جریان رودخانه
پیش بینی آورد رودخانه در مدیریت منابع آب از اهمیت فراوانی برخوردار است، اما به دلیل عدم قطعیت بالا در عواملی که فرآیند بارش- رواناب را سبب می‌گردند، همواره با مشکلاتی همراه بوده است. یکی از روش‌هایی که می‌تواند این مشکل را تا حدی کاهش دهد، تحلیل عدم قطعیت پیش‌بینی‌های انجام شده می‌باشد. این تحلیل‌ها در مدل‌های آماری سابقه طولانی دارند، ولی برای مدل‌های شبکه عصبی و نروفازی کمتر مورد استفاده قرا...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
آبخیزداری ایرانجلد ۱۰، شماره ۳۵، صفحات ۱۵-۲۵
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023