استفاده از آنتروپي شانون در پيش‌پردازش ورودي شبكه بيزين جهت مدل‌سازي سري‌هاي زماني

Applying Shannon Entropy in Bayesian Network Input Preprocessing For Time Series Modeling

انتخاب ورودي‌هاي مناسب براي مدل‌هاي هوشمند از اهميت بسزايي برخوردار است. زيرا باعث كاهش هزينه و صرفه‌جويي در وقت و افزايش دقت و كارايي مدل‌ها مي‌شود. هدف از اين مطالعه، كاربرد آنتروپي شانون براي انتخاب تركيب بهينه متغيرهاي ورودي در مدل‌سازي سري زماني مي‌باشد. سري زماني ماهانه بارش، دما و تابش در دوره زماني 1361تا1389 براي ايستگاه سينوپتيك تبريز مورداستفاده قرار گرفت. پارامترهاي بارش، دما و تابش با تأخيرهاي مختلف به‌عنوان ورودي به آنتروپي شانون در نظر گرفته­ شد. نتايج آنتروپي شانون نشان داد كه سري زماني با سه تأخير، نتايج بهتري را براي مدل‌سازي ارائه مي‌دهد. شبيه‌سازي با استفاده از دو مدل شبكه­ي بيزين و رگرسيون خطي چند متغيره انجام گرفت. كارايي مدل‌ها با استفاده از سه معيار: ضريب تبيين (R2)، ريشه جذر ميانگين خطا (RMSE) و شاخص پراكندگي (SI) محاسبه گرديد. از ميان اين دو مدل با ساختار ورودي‌هاي يكسان، مدل شبكه عصبي بيزين عملكرد بهتري براي شبيه‌سازي سري زماني بارش، دما و تابش در مقايسه با رگرسيون چندمتغيره داشته است. نتايج تحقيق نشان داد كه آنتروپي شانون در انتخاب تركيب ورودي مناسب براي مدل‌هاي هوشمند مي­ تواند كارايي بهتري داشته باشد.

Selecting appropriate inputs for intelligent models is important due to reduce costs and save time and increase accuracy and efficiency of models. The purpose of this study is using Shannon entropy to select the optimum combination of input variables in time series modeling. Monthly time series of precipitation, temperature and radiation in the period of 1982-2010 was used from Tabriz synoptic station. Precipitation, temperature and radiation parameters with different delays are considered as input to the Shannon entropy. The results showed that time series with three delays provide the better results for the modeling. Applying Bayesian network and multivariate linear regression analysis were performed. Models performance was evaluated using three criteria: coefficient of determination (R2), root mean square error (RMSE), and the dispersion. Index (SI). The results indicated that Bayesian neural network model shows the best performance to simulate time series of precipitation, temperature and radiation in compare to multivariate linear regression analysis. The results showed that Shannon entropy has better performance in selection of the appropriate entry into intelligent models.