بهبود عملكرد ماشين بردار پشتيبان و الگوريتم جنگل تصادفي در پيش‌بيني جريان رودخانه خرم آباد با استفاده از نويززدايي غيريكنواخت داده‌ها و الگوريتم سيمپلكس

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

در اين مطالعه به‌منظور شبيه‌سازي جريان ماهانه رودخانه خرم‌آباد ابتدا سري زماني اين رودخانه طي بازه زماني 1334-1393 با استفاده از موجك مادر دابچيز سه به سه سطح تجزيه شده است. براين اساس مشخص شد كه نويز غيريكنواختي شامل دو دوره زماني با مرز مهرماه 1387 در اين سيگنال وجود دارد. با اتخاذ رويكرد آستانه‌گذاري فراگير، سطح آستانه براي بازه‌هاي زماني 1334- 1387 و 1387 -1393 به ترتيب برابر 5/95 و 2/21 مترمكعب برثانيه محاسبه شد. سپس، با طرح آستانه‌گذاري نرم، سيگنال‌هاي فركانس بالا جريان رودخانه به طور غيريكنواخت نويززدايي شده است. در ادامه، با استفاده از مدل‌هاي ماشين بردار پشتيبان (نسخه‌هاي ɛ و Nu) و الگوريتم جنگل تصادفي (RF)، سيگنال اصلي و سيگنال نويززدايي‌شده جريان رودخانه، شبيه‌سازي و مقايسه شدند. نتايج صحت‌سنجي‌ مدل‌ها نشان داد با نويززدايي غيريكنواخت سيگنال جريان رودخانه، خطاي مدل ɛ از 5/7 به 3/1، مدل Nu از 5/8 به 3/2 و RF از 5 به 2/9 مترمكعب برثانيه كاهش پيدا كرده است. نتايج حاصل از مقايسه دقت محاسباتي مدل‌هاي مذكور با استفاده از آزمون مرگان ـ گرنجر ـ نيوبلد (MGN) به ترتيب به مقدار 15/7-، 15- و 10/67- برآورد شده است. اين مقادير، نشان از بهبود معنادار عملكرد مدل‌هاي مورد استفاده در نتيجه نويززدايي غيريكنواخت سيگنال جريان دارد. در نهايت، با كاربرد الگوريتم بهينه‌ساز سيمپلكس در مدل‌هاي ɛD، NuD و RFD، ميانگين جريان رودخانه با دقت بالايي در هر سه مدل محاسبه شد.

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 Daubechies-3, during the period of 1955-2014. Based on this, it was found that there is a Non-uniform noise that includes two periods of time in this signal, with the October 2008 border which required that the signal become non-uniform de-noising. Subsequently, by using two models of support vector machine (ɛ and Nu) and random forest algorithm (RF), the main signal and non-uniform de-noising signal of the river flow were simulated separately. The results validation criteria of the model showed that, with the non-uniform de-noising 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, -107.6), which indicates a significant improvement in the performance of the models used as a result of the non-uniform de-noising 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.