بهبود عملکرد روش KNN در پیش بینی جریان ورودی به سد با استفاده از روش های هوش مصنوعی

پیش بینی جریان آب یکی از مهمترین بخش های مدیریت منابع آب می باشد. پیش بینی های دقیق در بلند مدت برایبرنامه ریزی تامین و ذخیره سازی آب و در کوتاه مدت برای پیش بینی جریان های شدید و استفاده آن در سیستم هایهشدار سیل حائز اهمیت می باشد. مدل های داده مبنا به عنوان روش هایی نسبتا ساده اما قدرتمند به طور گسترده برایپیش بینی جریان آب استفاده می شوند. روش K همسایه نزدیک (KNN) یک روش یادگیری غیر پارامتری موثر استکه در حل مسائل مختلف مورد استفاده قرار می گیرد. در این پژوهش، یک روش جدید برای انتخاب همسایه ها به نامK همسایه نزدیک پویا (DKKN) معرفی شده که با استفاده از یک مدل SVM فواصل بهینه ای یافته شده وهمسایگانی که در این فاصله بهینه وجود دارند برای هر مورد پیش بینی استفاده می شوند. عملکرد روش پیشنهادی بابه کارگیری ۲ سال داده ورودی روزانه سد قشلاق در غرب ایران مورد ارزیابی قرار گرفته است. نتایج نشان می دهد روشپیشنهادی دقت پیش بینی را با کاهش خطای کلی (RMSE) به میزان ۶%، بهبود می دهد که این بهبود در پیش بینیموارد حدی به ۷/۸% می رسد.