comparative evaluation of hybrid sarima and machine learning techniques based on time varying and decomposition of precipitation time series

Accurate precipitation forecasts are much attractive due to their complexity. this study aimed to use the hybrid seasonal autoregressive integrated moving average (sarima) model and machine learning techniques such as artificial neural networks (ann) and support vector machines (svm) to improve precipitation forecasts. time variation analysis and time series decomposition were the two concepts applied to construct the hybrid models. the performance of the two concepts was evaluated with monthly precipitation time series of two stations in northern iran. time variation analysis of time series was conducted with the clustering analysis, which increased the accuracy of forecasting with 20.99% decrease in the geometric mean error ratio for the two stations. svm model decreased the forecasted error compared to ann in the internal process of time variation analysis. average of mean relative error (mre) were mre_svm= 0.72, mre_ann= 0.89, and mean absolute error (mae) in the two stations were mae_svm= 18.02 and mae_ann= 23.88. therefore, svm outperformed the ann model. comparison of the two hybrid models indicated that more accurate results belonged to the concept of time series decomposition (the decrease in root mean square error from time variation to time series decomposition concepts was 13.35%). extracting the pattern of data with sarima-based hybrid model with time series decomposition improved the precipitation forecasting. configurations related to nonlinear components of time series with time steps of residual had good performance (the average of agreement index was 0.9). the results suggest that the hybrid model can be a valuable and effective tool for decision processes, and time series decomposition to linear and nonlinear components has a better performance.

ارزیابی مقایسه ترکیب SARIMA و یادگیری ماشین بر پایه تغییرات زمانی و تفکیک سری زمانی بارندگی

پیش بینی دقیق بارندگی با توجه به پیچیدگی ماهیت آن بسیار مورد توجه است. در این تحقیق از مدل ترکیبی خودهمبسته میانگین متحرک تلفیق شده فصلی (SARIMA) و الگوریتم یادگیری ماشین مانند شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) جهت توسعه پیش بینی بارندگی استفاده شد. دو مفهوم تحلیل تغییرات زمانی و تفکیک سری زمانی به بخش خطی و غیرخطی جهت ساخت مدل ترکیبی استفاده شدند. مقایسه عملکرد دو مفهوم با سری زمانی ماهانه بارندگی در دو ایستگاه در شمال ایران مورد ارزیابی قرار گرفت. تحلیل تغییرات زمانی سری های زمانی با آنالیز خوشه ای انجام شد که منجر به افزایش دقت پیش بینی با کاهش 99/20% نسبت میانگین هندسی خطا در دو ایستگاه شد. مدل SVM در برابر ANN خطای پیش بینی را کاهش داد ( متوسط میانگین خطای نسبی (MRE) و میانگین خطای مطلق (MAE) در دو ایستگاه برابر با MRESVM= 0.72, MREANN= 0.89 MAESVM= 18.02 MAEANN= 23.88)، بنابراین مدل SVM دارای عملکرد بهتری نسبت به ANN است. مقایسه عملکرد دو مدل ترکیبی بیانگر دقت بیشتر مفهوم تفکیک سری زمانی است (کاهش خطای جذر میانگین مربعات از مفهوم تغییرات زمانی به تفکیک سری زمانی به ترتیب برابر با 35/13% بود.). استخراج الگوی داده ها با مدل ترکبیی SARIMA با تفکیک سری زمانی، پیش بینی سری زمانی را توسعه داد. برخی از ساختارهای مربوط به بخش غیرخطی سری زمانی مورد آزمایش قرار گرفت که ساختاری با گام های زمانی مختلف باقی مانده ها دارای عملکرد خوبی بود (میانگین ضریب همسانی =9/0). همچنین عملکرد بهتر مدل ترکیبی در سری زمانی فصلی نیز مورد تایید قرار گرفت. نتایج نشان دادند که مدل هیبرید ابزار کارا و موثری در فرآیند تصمیم گیری است و تفکیک سری زمانی به دو بخش خطی و غیر خطی دارای عملکرد بهتری است.