ارزیابی عملکرد مدل‌های هیبریدی arima در پیش‌بینی هدایت الکتریکی روزانه (مطالعه موردی: ایستگاه هیدرومتری تله‌زنگ)

در این پژوهش از مدل سری زمانی اریما و شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی پرسپترون چندلایه و مدل‌های هیبریدی arima-ann, arima-anfis برای مدل‌سازی و پیش‌بینی پارامتر هدایت الکتریکی جریان روزانه ایستگاه آب‌سنجی تله‌زنگ با طول دوره آماری 49 ساله استفاده‌ شده است. برای این منظور از داده‌های روزانه سال‌های 1384-1347 برای آموزش مدل و از داده‌های سال‌های 1396-1385 برای آزمون استفاده شد. برای تایید صحت مدل‌های اریما برازش یافته از توابع خودهمبستگی و خودهمبستگی جزئی باقی‌مانده‌ها و آماره پورت مانتئو استفاده شد. در مدل‌سازی و پیش‌بینی هدایت الکتریکی برای انتخاب پارامتر ورودی موثر شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی از الگوریتم pmi بهره گرفته شد که پارامترهای روزانه منیزیم (با دو روز تاخیر) و سدیم (با یک روز تاخیر) و درجه حرارت (با یک روز تاخیر) و دبی جریان (با دو ماه تاخیر) و اسیدیته (با یک روز تاخیر) با داشتن کمترین مقادیر اکایک و بیشترین مقادیر آماره همپل به‌عنوان ورودی شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی برای مدل‌سازی و پیش‌بینی هدایت الکتریکی روزانه معرفی شدند. بررسی معیارهای ارزیابی مدل‌ها تایید کننده برتری مدل هیبریدی arima-anfis با تابع عضویت ذوزنقه‌ای و تعداد تابع عضویت 2 نسبت به سایر مدل‌ها با مقادیر ضریب تبین 0.86و ریشه میانگین مربعات ds/m 29 است همچنین مدل آریما ضعیف‌ترین عملکرد را در مدل‌‌سازی و پیش‌بینی پارامتر کیفی روزانه ایستگاه هیدرومتری تله‌زنگ به‌خود اختصاص داده است.

Performance Evaluation of ARIMA Hybrid Models in the Prediction of Daily Electrical Conductivity (A Case Study of Telazang Hydrometric Station)

In this study, we used the ARIMA time series model, the fuzzyneural inference network, multilayer perceptron artificial neural network, and ARIMAANN, ARIMAANFIS hybrid models for the modeling and prediction of the daily electrical conductivity parameter of daily teleZang hydrometric station over the statistical period of 49 years. For this purpose, the daily data for the 19962004 period were used for model training and data for the 19962006 period were applied for testing. In order to verify the validity of the fitted ARIMA models, the residual autocorrelation and partial autocorrelation functions and Port Manteau statistics were used. PMI algorithm were then used to model and predict electrical conductivity for selecting the effective input parameter of the neural fuzzy inference network and the artificial neural network. The daily parameters of magnesium (with two days delay) and sodium (with one day delay), heat (with one day delay), flow rate (with two months delay), and acidity (with one day delay) were obtained with the lowest values of Akaike and highest values of hempel statistics as the input of the neural fuzzy inference network and the artificial neural network for modelling daily electric conductivity predictions; then predictions were made. Also, models evaluation criteria confirmed the superiority of the ARIMAANFIS hybrid model with the trapezoidal membership function and with two membership numbers, as compared to other models with a coefficient of determination of 0.86 and the root mean square of 29 dS / m. Also, the Arima model had the weakest performance. So, it could be applied to modeling and forecasting the daily quality parameter of the tele Zang hydrometer station.