ارزیابی استراتژی های میانگین گیری وزنی رتبه ای در ترکیب مدل های پیش بینی کننده جریان مطالعه موردی: رودخانه کرخه
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 42
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMS-10-35_003
تاریخ نمایه سازی: 5 دی 1402
Abstract:
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 ۸/۵۱، ۱/۳۸ و ۵/۴۴ درصد و نسبت به بهترین مدل منفرد ۶/۷، ۱۳۲ و ۹/۵۲ درصد به ترتیب در دی، بهمن و اسفندماه بهبود داده است.
Keywords:
model fusion , ordered weighted averaging , variable weighting , Orlike method , Karkheh. , ترکیب مدل ها , میانگین وزنی رتبه بندی شده , وزن دهی متغیر , روش Orlike , کرخه.
Authors
فرشته مدرسی
University of Tehran
شهاب عراقی نژاد
University of Tehran
کیومرث ابراهیمی
University of Tehran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :