پيش‌بيني ماهانه جريان با استفاده از ماشين بردار پشتيبان بر مبناي آناليز مولفه اصلي

Monthly Stream Flow Prediction Using Support Vector Machine Based on Principal Component Analysis

هدف اصلي اين تحقيق بررسي تاثير انتخاب متغيرهاي ورودي با استفاده از آناليز مولفه اصلي (PCA) بر عملكرد مدل ماشين بردار پشتيبان (SVM) براي پيش‌بيني ماهانه دبي رودخانه بود. به اين منظور ابتدا با استفاده از 18 متغير ورودي به مدل SVM، دبي جريان ماهانه پيش‌بيني شد. سپس با استفاده از PCA تعداد متغيرهاي ورودي به مدل SVM از 18 متغير به 5 مولفه كاهش يافت. در نهايت با استفاده از آماره توسعه يافته توسط نويسندگان مقاله، عملكرد مدل‌هاي ارايه شده (SVM و PCA-SVM) مورد ارزيابي قرار گرفت. يافته‌هاي اين تحقيق نشان داد كه پيش‌پردازش متغيرهاي ورودي به مدل SVM با استفاده از PCA، بهبود عملكرد مدل SVM را به همراه داشته است.

The main goal of this research is to evaluate the role of input selection by Principal Component Analysis (PCA) on Support Vector Machine (SVM) performance for monthly stream flow prediction. For this purpose, SVM is used to predict monthly flow as a function of 18 input variables. PCA is subsequently employed to reduce the number of input variables from 18 to 5 PCs which are finally fed into the SVM model. SVM and PCA-SVM models are evaluated in terms of their performance using a developed statistic by the authors. Findings show that preprocessing of input variables by PCA improved SVM performance.