دانلود پوستر این مقاله

بهبود عملکرد روش KNN در پیش بینی جریان ورودی به سد با استفاده از روشهای هوش مصنوعی 

احسان ابراهیمی، مجتبی شوریان

چكيده

پیش‌بینی جریان آب یکی از مهمترین بخش‌های مدیریت منابع آب می‌باشد. پیش‌بینی‌های دقیق در بلند مدت برای برنامه‌ریزی تامین و ذخیره سازی آب و در کوتاه مدت برای پیش‌بینی جریان‌های شدید و استفاده آن در سیستم‌های هشدار سیل حائز اهمیت می‌باشد. مدل‌های داده مبنا به عنوان روش‌هایی نسبتاً ساده اما قدرتمند به طور گسترده برای پیش‌بینی جریان آب استفاده می‌شوند. . روش K همسایه نزدیک (KNN) یک روش یادگیری غیر پارامتری موثر است که در حل مسائل مختلف مورد استفاده قرار می‌گیرد. در این پژوهش، یک روش جدید برای انتخاب همسایه‌ها به نام K همسایه نزدیک پویا (DKKN) معرفی شده که با استفاده از یک مدل SVM فواصل بهینه‌ای یافته شده و همسایگانی که در این فاصله بهینه وجود دارند برای هر مورد پیش‌بینی استفاده می‌شوند. عملکرد روش پیشنهادی با به کارگیری 2 سال داده ورودی روزانه سد قشلاق در غرب ایران مورد ارزیابی قرار گرفته است. نتایج نشان ‌می‌دهد روش پیشنهادی دقت پیش‌بینی را با کاهش خطای کلی (RMSE) به میزان 6%، بهبود ‌می‌دهد که این بهبود در پیش‌بینی موارد حدی به 8/7 % می‌رسد.

واژه‌هاي كليدي: KNN، پیش‌بینی جریان، Dynamic، SVM، Data Driven