بررسی دقت مدل های رگرسیون چند متغیره و ARIMA در پیش بینی تقاضای آب (مطالعه موردی: شهر مشهد)

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 166

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JIRCSA-10-1_004

تاریخ نمایه سازی: 30 مهر 1401

چکیده مقاله:

آگاهی از میزان تقاضای آب برای سیاست گذاری آن در مدیریت شهری از اهمیت ویژه ای برخوردار است. پیش بینی تقاضای آب در آینده این امکان را برای مدیران فراهم می کند تا با توجه به محدودیت ها و بحران های پیش رو، تدابیر لازم را در خصوص تامین پایدار آب اتخاذ نمایند. هدف از این تحقیق مقایسه مدل رگرسیونی چندمتغیره و ARIMA برای پیش بینی میزان تقاضای آب در شهر مشهد است. در این تحقیق ابتدا متغیرهای اصلی موثر در تقاضای آب ازجمله متغیر بارندگی، دما و جمعیت تعیین و سپس نسبت به جمع آوری آمار و اطلاعات از سازمان های مربوطه اقدام و پس از بررسی صحت و همگنی داده ها، با کمک دو مدل رگرسیون چندمتغیره وARIMA  میزان تقاضای آب برآورد شد. نتایج تحقیق نشان داد که برای آموزش داده ها مقادیر ضریب تعیین و ضریب نش به­ترتیب ۸۱/۰ و ۷۷/۰ برای مدل رگرسیون چندمتغیره و ۷۷/۰ و ۷۳/۰ برای مدلARIMA  بوده و همین ضرایب برای آموزش داده ها به­ترتیب ۸۶/۰ و ۸۷/۰ برای مدل رگرسیون چندمتغیره و ۷۹/۰ و ۷۳/۰ برای مدل ARIMA  است. لذا مدل رگرسیون چندمتغیره با توجه به بالابودن ضریب تبیین و همچنین قرار گرفتن در طبقه خیلی خوب ضریب نش از نظر عملکرد بهتری در پیش بینی برخوردار بوده و می تواند نسبت به مدل ARIMA به عنوان روش قابل قبول برای پیش بینی تقاضای آب مورد استفاده قرار گیرد.  

نویسندگان

سیدهاشم حسینی

Islamic Azad University

هومان هنری

Islamic Azad University

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Banihabib M. and Mousavi M. P. (۲۰۱۹). Extended linear and ...
  • Bruno M. B., Gustavo L. M., Daniel M. and Edevar ...
  • Khoshakhlage R., Emadzadeh M., Samadi S. and Hadizadeh H. (۲۰۰۲). ...
  • Muhammad A.U., Li X. and Feng J. (۲۰۱۹). Artificial Intelligence ...
  • Soukayna M. and Adamowski J. (۲۰۱۷). Using extreme learning machines ...
  • Word Meteorological Organization (۲۰۱۱). Manual on Flood Forecasting and Warning. ...
  • آرام، ع. و ل. کهنه شهری (۱۳۹۱) ارائه یک مدل ...
  • بیلندی، م.، ع. خاشعی سیوکی و ص. صادقی طبس (۱۳۹۳) ...
  • تابش، م.، ص. بهبودیان و س. بیگی (۱۳۹۳). پیش بینی ...
  • حشمتی، س. و م. م. حافظ پرست (۱۳۹۷) پیش بینی ...
  • شرفی، م.، س. صمدیان فرد و س. هاشمی (۱۳۹۹) پیش ...
  • قرمزچشمه، ب.، م. نساجی زواره و ر. کاظمی (۱۳۹۹) تحلیل ...
  • کاظمی، م. ج. (۱۳۹۶) مروری بر برخی از روش های ...
  • نمایش کامل مراجع