واكاوي كارايي روش هاي مبتني بر شبكه هاي عصبي مصنوعي و رگرسيون خطي چندمتغيره در پيش بيني كشند

Efficiency Analysis of Artificial Neural Networks and Multiple Linear Regression Methods for Tides Prediction

پيش بيني تغييرات كشند، ب هدليل اهميتي كه در برنام هريزي هاي ناوگان دريايي و نظامي، حمل و نقل و كشتيراني، طراحي بنادر و ساير مسايل مرتبط با امور دريا دارد؛ از ديرباز مورد توجه بوده است. هدف اين مطالعه بررسي عملكرد مدل هاي شبك ههاي عصبي پيش خور با 3 الگوريتم يادگيري كاهش شيب، شيب مزدوج و لونبرگ- ماركوارد در پيش بيني ساعتي تغييرات كشند است. به علاوه در تحقيق حاضر، نتايج حاصل از مدل رگرسيون خطي چندمتغيره نيز مد نظر قرار گرفته است. براي اين منظور داده هاي ساعتي مشاهداتي ايستگاه ساحلي خليج چابهار در درياي عمان و ايستگاه هاي جزيره كيش و بندر امام خميني(ره) در سواحل شمالي خليج فارس در يك بازه 90 روزه مورد استفاده قرار گرفته اند. ب همنظور تعيين مقدار وقفه مناسب در مدل سازي زمانمند، شيوه خودهمبستگي جزيي به كار گرفته شده است. نتايج ارزيابي مدل ها بر اساس شاخص هاي ريشه ميانگين مجذور خطا و درصد مطلق خطا حاكي از آن است كه مدل شبكه عصبي مبتني بر الگوريتم لونبرگ- ماركوارد بالاترين دقت را در پي شبيني تغييرات كشند در هر 3 4 و 2 درصد دقت پيش بيني هاي مدل هاي ، ايستگاه مطالعاتي دارا است. اين الگوريتم به طور متوسط به ميزان 22 رگرسيون خطي چندمتغيره، الگوريتم كاهش شيب و شيب مزدوج را بهبود بخشيده است. در نهايت تحليل خطاي مربوط به مجموع باقيمانده ها، بيش پيش بين بودن مدل هاي شبكه عصبي در ايستگا ههاي جزيره كيش و بندر امام خميني(ره) و ك مپيش بين بودن آنها را در ايستگاه خليج چابهار را آشكار م يسازد.

Prediction of tides has been received a great attention from decades ago since its importance in admiralship, navigation, port designing and other related issues. The goal of this paper is to investigate the efficiency of predictive models based on Multiple Liner Regression (MLR) and feed-froward Artidicial Neural Networks (ANNs) using 3 learning algorithms of Gradient Descent (GD), Conjugate Gradient (CG) and Levenberg-Marquardt (LM). For this purpose, hourly observed data of Chabahar bay station in the Gulf of Oman and Kish Island and Imam-Khomeini port stations in the Persian Gulf were used. In the current study, the partial auto-correlation was used to determine the appropriate lag of input data. The results of models according to the criteria of RMSE and MAPE indicated that the ANN-LM has the highest accuracy in predicting tides in the 3 stations. This algorithm improved the prediction accuracy about 22%, 4% and 2% compared to MLR, GD and CG models. Finally, the residual analysis revealed the over-predictive behavior of ANNs in Kish Island and Imam Port stations while their under-predictive tendency in Chabahar Bay.