بهبود عملکرد ماشین بردار پشتیبان و الگوریتم جنگل تصادفی در پیش‌بینی جریان رودخانه خرم آباد با استفاده از نویززدایی غیریکنواخت داده‌ها و الگوریتم سیمپلکس

در این مطالعه به‌منظور شبیه‌سازی جریان ماهانه رودخانه خرم‌آباد ابتدا سری زمانی این رودخانه طی بازه زمانی 1334-1393 با استفاده از موجک مادر دابچیز سه به سه سطح تجزیه شده است. براین اساس مشخص شد که نویز غیریکنواختی شامل دو دوره زمانی با مرز مهرماه 1387 در این سیگنال وجود دارد. با اتخاذ رویکرد آستانه‌گذاری فراگیر، سطح آستانه برای بازه‌های زمانی 1334-1387 و 1387-1393 به ترتیب برابر 5/95 و 2/21 مترمکعب برثانیه محاسبه شد. سپس، با طرح آستانه‌گذاری نرم، سیگنال‌های فرکانس بالا جریان رودخانه به طور غیریکنواخت نویززدایی شده است. در ادامه، با استفاده از مدل‌های ماشین بردار پشتیبان (نسخه‌های ɛ و nu) و الگوریتم جنگل تصادفی (rf)، سیگنال اصلی و سیگنال نویززدایی‌شده جریان رودخانه، شبیه‌سازی و مقایسه شدند. نتایج صحت‌سنجی‌ مدل‌ها نشان داد با نویززدایی غیریکنواخت سیگنال جریان رودخانه، خطای مدل ɛ از 5/7 به 3/1، مدل nu از 5/8 به 3/2 و rf از 5 به 2/9 مترمکعب برثانیه کاهش پیدا کرده است. نتایج حاصل از مقایسه دقت محاسباتی مدل‌های مذکور با استفاده از آزمون مرگان گرنجر نیوبلد (mgn) به ترتیب به مقدار 15/7، 15 و 10/67 برآورد شده است. این مقادیر، نشان از بهبود معنادار عملکرد مدل‌های مورد استفاده در نتیجه نویززدایی غیریکنواخت سیگنال جریان دارد. در نهایت، با کاربرد الگوریتم بهینه‌ساز سیمپلکس در مدل‌های ɛd، nud و rfd، میانگین جریان رودخانه با دقت بالایی در هر سه مدل محاسبه شد.

Improvement of Support Vector Machine and Random Forest Algorithm in Predicting Khorramabad River Flow Uusing Non-uniform De-Noising of data and Simplex Algorithm

In this study, in order to simulate the monthly flow of the Khorramabad River, the time series of this river was decomposed into three levels using the wavelet of Daubechies3, during the period of 19552014. Based on this, it was found that there is a Nonuniform noise that includes two periods of time in this signal, with the October 2008 border which required that the signal be become nonuniform denoising. Subsequently, we using two models of support vector machine (ɛ and Nu) and random forest algorithm (RF), the main signal and nonuniform denoising signal of the river flow were simulated separately. The results validation criteria of the model showed that, with the nonuniform denoising of the river flow signal, the error of the models dropped ɛ from 5.7 to 3.1, Nu from 5.8 to 3.2 and RF from 5 to 2.9 m3/s. Also, the comparison and testing of the computational error ɛ: ɛD; Nu: NuD; RF: RFD were obtained by using the MGN test (15, 15, 10.67), which indicates a significant improvement in the performance of the models Used as a result of the nonuniform denoising signal. In the following, using optimization simplex algorithm in the of three models ɛD, NuD and RFD, the mean flow of the river was very high in all three models.