ارزیابی مدل های هوشمند در پیش بینی دبی ایستگاه های آلادیزگه و ارباب کندی

تحقیق حاضر باهدف ارزیابی عملکرد مدل های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حالت هیبرید آن ها با مدل موجک در پیش بینی دبی ایستگاه های هیدرومتری آلادیزگه و ارباب کندی واقع درحوضه قره سو انجام شد. با در نظر گرفتن شاخص همبستگی، در ایستگاه های هیدرومتری ارباب کندی و آلادیزگه به ترتیب دبی دو ماه قبل و دبی یک ماه قبل به عنوان ورودی مدل رواناب در نظر گرفته شدند. حالت بهینه در مدل های شبکه عصبی مصنوعی و هیبرید موجک- شبکه عصبی مصنوعی در ایستگاه آلادیزگه به ترتیب در دو و پنج نرون و در ایستگاه ارباب کندی به ترتیب در ۱۲ و یک نرون حاصل شدند. نتایج حاکی از آن بود که تطابق بین مقادیر مشاهداتی رواناب و رواناب پیش بینی شده در استفاده از ترکیب موجک- شبکه عصبی مصنوعی و نیز ترکیب موجک- ماشین بردار پشتیبان نسبت به حالت های استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان مرسوم بالابود. به طوری که در ایستگاه ارباب کندی هیبرید کردن مدل منفرد شبکه عصبی مصنوعی با مدل موجک موجب افزایش پارامتر R از ۴۴/۰ به ۹۱/۰ و نیز کاهش پارامترهای RE و RMSE به ترتیب از ۴۱ درصد و ۰۳/۲ مترمکعب بر ثانیه به ۲۳ درصد و ۳۳/۱مترمکعب بر ثانیه شد. علاوه براین، شاخص های ضریب نش-ساتکلیف (NSE) و نسبت میانگین هندسی خطا (GMER) در مدل های ترکیبی موجک-شبکه عصبی مصنوعی و موجک-ماشین بردار پشتیبان در هر دو ایستگاه، نسبت به سایر مدل ها از عملکرد مطلوب تری برخوردار بودند. به ویژه در ایستگاه ارباب کندی، مقادیر این شاخص ها برای مدل موجک-شبکه عصبی مصنوعی به ترتیب ۷۸/۰ و ۹۴/۰ به دست آمد که نشان دهنده دقت و قابلیت اطمینان بالای این مدل است. بعد از مدل هیبرید موجک- شبکه عصبی مصنوعی که بهترین تطابق و همخوانی را با داده های مشاهداتی داشت، مدل هیبرید موجک- ماشین بردار پشتیبان در هر دو ایستگاه از دقت و کارایی خوبی برخوردار بود.

Keywords:

Artificial neural network , Support vector machine , Wavelet transform , Time delay , شبکه عصبی مصنوعی , ماشین بردار پشتیبان , تبدیل موجک , تاخیر زمانی