مدل سری زمانی SARIMAX بهسازی شده بر مبنای روش شبکه عصبی برای مدلسازی های هیدورلوژیکی

پیشبینی صحیح فرآیندهای هیدرولوژیکی میتواند کمک شایانی در زمینه طراحی پروژه های آبی و نیز جلوگیری از خطرات ناشی از آنها داشته باشد. ویژگی های غیرخطی، عدم قطعیت ذاتی فرآیندهای استوکاستیک و پیچیده بودن مدلهای فیزیکی از دلایلی بوده است که باعث شده محققان به سوی مدلهای جعبه سیاه از جمله مدل سری زمانی و مدل شبکه عصبی مصنوعی روی آورند. در این مقاله یک مدل ترکیبی متشکل ازدو مدل شبکه عصبی و مدل خطی سری زمانی فصلی ارائه گردیده است. در این مدل ترکیبی نخست سری زمانی بارش– رواناب با الگوی سری زمانی فصلی مدلسازی شده و سپس جهت برآورد باقیمانده های سری زمانی از شبکههای عصبی بهره گیری شده تا بتوان مقدار پیش بینی رواناب را به مقدار واقعی نزدیک تر نمود. نتایج بدست آمده از این مدل ترکیبی با مدل شبکه عصبی یگانه مورد ارزیابی قرار گرفت که نتیجه کلی بیانگربرتری مدل ترکیبی می باشد. همچنین از دیگر ویژگی های این مدل، قابلیت مناسب آن در رصد نمودن نقاط اکسترمم سری زمانی است بنابراین می توان گفت که مدل ترکیبی یاد شده یک مدل نیمه خطی فصلی از فرآیندهای استوکاستیک را ارائه میدهد که میتواند راهکار مناسبی برای پیشبینی فرآیند سرهای زمانی هیدرولوژیکی باشد

کلیدواژه ها:

مدلسازی ترکیبی ، SARIMAX ، شبکه عصبی ، سری زمانی ، بارش– رواناب ، حوضه آق چای