توسعه مدل هیبریدی شبکه عصبی- فازی و الگوریتم شکار شاهین هریس جهت پیش بینی جریان ماهانه ورودی به مخازن سدها

امروزه مدل های یادگیری ماشین با تکیه بر استخراج الگوی بین داده ها قادر به پیش بینی مناسب سری های زمانی هستند. در این پژوهش از شبکه عصبی- فازی (ANFIS) برای پیش بینی جریان ورودی به مخزن سد مهاباد در شمال غرب ایران استفاده گردید. همچنین از الگوریتم بهینه سازی جدید شکار شاهین هریس (HHO) برای بهبود ساختار ANFIS بهره برده شد. از داده های هواشناسی مانند بارش ماهانه، دمای ماهانه و جریان ورودی به مخزن یک تا سه ماه قبل به عنوان پارامترهای ورودی و در ۶ الگوی مختلف ورودی استفاده شد. حدود ۷۰% داده ها برای آموزش مدل ها و ۳۰% برای آزمون آن ها در نظر گرفته شد. نتایج نشان داد که مدل ANFIS از دقت خوبی در داده های آموزش برخوردار است اما برای داده های آزمون از دقت آن بسیار کاسته می شود. توسعه مدل HHO-ANFIS موجب بهبود دقت پیش بینی شد. در بین الگوهای ورودی، الگویی که شامل تمام پارامترهای ورودی بود (P۶) دارای بیش­ترین دقت پیش بینی بود. در این الگو مقادیر جذر میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) به همراه ضریب ناش ساتکلیف (NSE) برای داده های آزمون به ترتیب برابر MCM ۹/۳، MCM ۴۱/۲ و ۸۶/۰ بود. با توجه به عملکرد خوب مدل مورداستفاده، می توان آن را برای پیش بینی سری های زمانی توصیه کرد.

کلیدواژه ها:

الگوریتم های تکاملی ، بارش- رواناب ، پیش بینی سری های زمانی ، سد مهاباد ، یادگیری ماشین