استفاده از آزمون گاما در پیش پردازش داده ها جهت مدل سازی سری های زمانی بارش
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 46
نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIRCSA-4-3_006
تاریخ نمایه سازی: 28 مرداد 1402
چکیده مقاله:
انتخاب ورودی های مناسب برای مدل های هوشمند از اهمیت به سزایی برخوردار است. زیرا باعث کاهش هزینه و صرفه جویی در وقت و افزایش دقت و کارایی مدل ها می شود. هدف از این مطالعه، کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی که شامل تاخیرهای بارش، در مدل سازی سری زمانی بارش می باشد. سری زمانی ماهانه بارش در دوره زمانی ۱۳۸۳تا ۱۳۹۳ برای ایستگاه سینوپتیک رشت مورد استفاده قرار گرفت. پارامتر بارش با تاخیرهای مختلف به عنوان ورودی به آزمون گاما در نظر گرفته شد. نتایج این آزمون نشان داد که سری زمانی با سه تاخیر، نتایج بهتری را برای مدل سازی ارائه می دهد. شبیه سازی با استفاده از دو مدل شبکه بیزین و رگرسیون خطی چند متغیره انجام گرفت. کارایی مدل ها با استفاده از سه معیار: ضریب تبیین (R۲)، ریشه جذر میانگین خطا (RMSE) و شاخص پراکندگی (SI) محاسبه گردید. شبکه عصبی بیزین توانست بارش با سه ماه تاخیر را با مقدار ضریب تبیین ۸۲/۰ و ریشه جذر میانگین مربعات خطای ۸۴/۱۷ و شاخص پراکندگی ۱۷/۰ مدلسازی کند. از میان این دو مدل با ساختار ورودی های یکسان، مدل شبکه عصبی بیزین عملکرد بهتری برای شبیه سازی سری زمانی بارش در مقایسه با رگرسیون چند متغیره داشته است. نتایج تحقیق نشان داد که آزمون گاما در انتخاب ترکیب ورودی مناسب در مدل های هوشمند میتواند کارایی بهتری داشته باشد.
کلیدواژه ها:
Bayesian network ، Gamma test ، Precipitation modeling ، Multivariate linear regression ، Time series ، آزمون گاما ، رگرسیون خطی چند متغیره ، سری زمانی ، شبکه بیزین ، مدل سازی بارش
نویسندگان
بابک محمدی
University of Tabriz
محمدعلی قربانی
University of Tabriz
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 :