توسعه مدل هیبریدی شبکه عصبی- فازی و الگوریتم شکار شاهین هریس جهت پیش‌بینی جریان ماهانه ورودی به مخازن سدها

امروزه مدل‌های یادگیری ماشین با تکیه بر استخراج الگوی بین داده‌ها قادر به ‌پیش‌بینی مناسب سری‌های زمانی هستند. در این پژوهش از شبکه عصبی- فازی (anfis) برای پیش‌بینی جریان ورودی به مخزن سد مهاباد در شمال غرب ایران استفاده گردید. همچنین از الگوریتم بهینه‌سازی جدید شکار شاهین هریس (hho) برای بهبود ساختار anfis بهره برده شد. از داده‌های هواشناسی مانند بارش ماهانه، دمای ماهانه و جریان ورودی به مخزن یک تا سه ماه قبل به‌عنوان پارامترهای ورودی و در 6 الگوی مختلف ورودی استفاده شد. حدود 70% داده‌ها برای آموزش مدل‌ها و 30% برای آزمون آن‌ها در نظر گرفته شد. نتایج نشان داد که مدل anfis از دقت خوبی در داده‌های آموزش برخوردار است اما برای داده‌های آزمون از دقت آن بسیار کاسته می‌شود. توسعه مدل hho-anfis موجب بهبود دقت پیش‌بینی شد. در بین الگوهای ورودی، الگویی که شامل تمام پارامترهای ورودی بود (p6) دارای بیش ترین دقت پیش‌بینی بود. در این الگو مقادیر جذر میانگین مربعات خطا (rmse)، میانگین خطای مطلق (mae) به همراه ضریب ناش ساتکلیف (nse) برای داده‌های آزمون به ترتیب برابر mcm 3/9، mcm 2/41 و 0/86 بود. با توجه به عملکرد خوب مدل مورد استفاده، می‌توان آن را برای پیش‌بینی سری‌های زمانی توصیه کرد.

development of hybrid adaptive neuro fuzzy inference system - harris hawks optimizer (anfis-hho) for monthly inlet flow to dam reservoirs prediction

nowadays, machine learning models are able to make good predictions based on pattern extraction between data. in this study, a neural-fuzzy network (anfis) was used to predict the inflow to the reservoirs of a dam namely, the mahabad dam located in the northwestern part of iran. a new harris hawk (hho) optimization algorithm was also used to improve the anfis (hho-anfis) structure. monthly precipitation and temperature and inlet flow data to the reservoir one to three months ago were used as input parameters as 6 different input patterns. about 70% of the data was used for training and 30% to test the models. the results showed that the anfis model has good accuracy in training data although, for test data, its accuracy was greatly reduced. the development of the hho-anfis model improved the accuracy of the prediction. the patterns with all input parameters had the highest prediction accuracy. in this pattern, values ​​of root mean square error (rmse), mean absolute error (mae), and nash sutcliffe efficiency coefficient (nse) for test data were 3.9 mcm, 2.41 mcm, and 0.86, respectively. due to the good performance of the model used, it can be recommended for time series predictions.