ارزيابي الگوريتم‌هاي شبكه عصبي، مدل‌هاي سري زماني و مدل هيبريدي SARIMA-SETAR در پيش‌بيني سرعت باد ماهانه

در اين پژوهش به منظور مدل سازي و پيش بيني سرعت باد ماهانه‌ شهر دزفول از مدل SARIMA، مدل سري زماني‌ غيرخطي آستانه (SETAR)، مدل هيبريدي SARIMA-SETAR و همچنين شبكه هاي عصبي مصنوعي استفاده شد. افزون بر اين، براي انتخاب متغيرهاي ورودي مؤثر در پيش بيني سرعت باد با شبكه عصبي از الگوريتم PMI  بهره گرفته شد .با استفاده از ضابطه همپل و معيار اطلاعاتي آكائيك، مقدار رطوبت نسبي ماهانه در دو ماه قبل RH(t-2)، مقدار تبخير ماهانه در يك ماه قبل E (t-1)، دماي متوسط ماهانه در سه ماه قبل Tave (t-3) و دماي حداكثر ماهانه دريك ماه قبل Tmax (t) به عنوان متغيرهاي ورودي موثر براي مدل سازي و پيش بيني سرعت باد ماهانه مشخص شد. به منظور صحت سنجي مدل هاي SARIMA و SETAR و مدل هيبريدي SARIMA*SETAR برازش يافته از توابع خودهمبستگي، خودهمبستگي جزيي و آزمون استقلال باقي مانده‌هاي مدل (الجونگ-باكس) استفاده گرديد. مدل برتر بر اساس حداقل مقدار عددي آماره شوارتز و آكائيك تعيين شدند. همچنين براي مدل سازي و پيش بيني سرعت باد ماهانه با شبكه عصبي براي لايه ورودي و خروجي تابع خطي و براي لايه مخفي از توابع محرك مختلف با الگوريتم آموزش متفاوت استفاده شد. مدل‌ شبكه عصبي با توپولوژي (5-1-1) با تابع محرك تانژانت سيگموئيد و با الگوريتم آموزشي لونبرگ– ماركوارت درمقايسه با  مدل هاي خطي SARIMA و غير خطي SETAR داراي  عملكرد بهتر در پيش‌بيني سرعت باد ماهانه ايستگاه سينوپتيك دزفول شناخته شد. نتايج ارزيابي عملكرد مدل ها نشان داد كه مدل هيبريدي SARIMA*SETAR(2,2,3) در مقايسه با ساير مدل هاي عملكرد بهتري داشت است. با ضريب تبين 0.91 و ريشه ميانگين مربعات 72 داراي دقت قابل قبولي در پيش بيني سرعت باد ماهانه ايستگاه سينوپتيك دزفول مي باشد.