بهبود عملکرد روش KNN در پیش بینی جریان رودخانه با انتخاب هوشمند همسایگی با استفاده از ماشین های بردار پشتیبان

پیش بینی جریان آب یکی از مهمترین بخش های مدیریت منابع آب می باشد. پیش بینی های دقیق در بلند مدت برای برنامه ریزی تامین و ذخیره سازی آب و در کوتاه مدت برای پیش بینی جریان های شدید و استفاده آن در سیستم های هشدار سیل حائز اهمیت می باشد. مدل های داده مبنا به عنوان روش هایی نسبتا ساده اما قدرتمند به طور گسترده برای پیش بینی جریان آب استفاده می شوند. روش K همسایه نزدیک (KNN) یک روش یادگیری غیر پارامتری موثر است که در حل مسائل مختلف مورد استفاده قرار می گیرد. در این پژوهش یک روش جدید برای انتخاب همسایه ها به نام K همسایه نزدیک پویا (DKKN) معرفی شده که با استفاده از یک مدل SVM فواصل بهینه ای یافته شده و همسایگانی که در این فاصله بهینه وجود دارند برای هر مورد پیش بینی استفاده می شوند. عملکرد روش پیشنهادی با به کار گیری ۲ سال داده ورودی روزانه سد قشلاق در غرب ایران مورد ارزیابی قرار گرفته است. نتایج نشان می دهد روش پیشنهادی دقت پیش بینی را با کاهش خطای کلی (RMSE) به میزان ۶% بهبود می دهد که این بهبود در پیش بینی موارد حدی به ۷.۸% می رسد.

کلیدواژه ها:

KNN ، پیش بینی جریان ، Dynamic ، SVM ، Data Driven