استفاده از آنتروپی شانون در پیش پردازش ورودی شبکه بیزین جهت مدل سازی سری های زمانی

     انتخاب ورودی های مناسب برای مدل های هوشمند از اهمیت بسزایی برخوردار است. زیرا باعث کاهش هزینه و صرفه جویی در وقت و افزایش دقت و کارایی مدل ها می شود. هدف از این مطالعه، کاربرد آنتروپی شانون برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل سازی سری زمانی می باشد. سری زمانی ماهانه بارش، دما و تابش در دوره زمانی ۱۳۶۱تا۱۳۸۹ برای ایستگاه سینوپتیک تبریز مورداستفاده قرار گرفت. پارامترهای بارش، دما و تابش با تاخیرهای مختلف به عنوان ورودی به آنتروپی شانون در نظر گرفته­ شد. نتایج آنتروپی شانون نشان داد که سری زمانی با سه تاخیر، نتایج بهتری را برای مدل سازی ارائه می دهد. شبیه سازی با استفاده از دو مدل شبکه­ی بیزین و رگرسیون خطی چند متغیره انجام گرفت. کارایی مدل ها با استفاده از سه معیار: ضریب تبیین (R۲)، ریشه جذر میانگین خطا (RMSE) و شاخص پراکندگی (SI) محاسبه گردید. از میان این دو مدل با ساختار ورودی های یکسان، مدل شبکه عصبی بیزین عملکرد بهتری برای شبیه سازی سری زمانی بارش، دما و تابش در مقایسه با رگرسیون چندمتغیره داشته است. نتایج تحقیق نشان داد که آنتروپی شانون در انتخاب ترکیب ورودی مناسب برای مدل های هوشمند می­ تواند کارایی بهتری داشته باشد.    

Keywords:

Entropy , Multivariate linear regression , Time series , Bayesian network , آنتروپی , رگرسیون خطی چندمتغیره , سری زمانی , شبکه بیزین