ارزیابی مقایسه ترکیب SARIMA و یادگیری ماشین بر پایه تغییرات زمانی و تفکیک سری زمانی بارندگی

پیش بینی دقیق بارندگی با توجه به پیچیدگی ماهیت آن بسیار مورد توجه است. در این تحقیق از مدل ترکیبی خودهمبسته - میانگین متحرک تلفیق شده فصلی (SARIMA) و الگوریتم یادگیری ماشین مانند شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) جهت توسعه پیش بینی بارندگی استفاده شد. دو مفهوم تحلیل تغییرات زمانی و تفکیک سری زمانی به بخش خطی و غیرخطی جهت ساخت مدل ترکیبی استفاده شدند. مقایسه عملکرد دو مفهوم با سری زمانی ماهانه بارندگی در دو ایستگاه در شمال ایران مورد ارزیابی قرار گرفت. تحلیل تغییرات زمانی سری های زمانی با آنالیز خوشه ای انجام شد که منجر به افزایش دقت پیش بینی با کاهش 99/20% نسبت میانگین هندسی خطا در دو ایستگاه شد. مدل SVM در برابر ANN خطای پیش بینی را کاهش داد (متوسط میانگین خطای نسبی (MRE) و میانگین خطای مطلق (MAE) در دو ایستگاه برابر با MRESVM= 0.72, MREANN= 0.89 MAESVM= 18.02 MAEANN= 23.88)، بنابراین مدل SVM دارای عملکرد بهتری نسبت به ANN است. مقایسه عملکرد دو مدل ترکیبی بیانگر دقت بیشتر مفهوم تفکیک سری زمانی است (کاهش خطای جذر میانگین مربعات از مفهوم تغییرات زمانی به تفکیک سری زمانی به ترتیب برابر با 35/13% بود.). استخراج الگوی داده ها با مدل ترکبیی SARIMA با تفکیک سری زمانی، پیش بینی سری زمانی را توسعه داد. برخی از ساختارهای مربوط به بخش غیرخطی سری زمانی مورد آزمایش قرار گرفت که ساختاری با گام های زمانی مختلف باقی مانده ها دارای عملکرد خوبی بود (میانگین ضریب همسانی =9/0). همچنین عملکرد بهتر مدل ترکیبی در سری زمانی فصلی نیز مورد تایید قرار گرفت. نتایج نشان دادند که مدل هیبرید ابزار کارا و موثری در فرآیند تصمیم گیری است و تفکیک سری زمانی به دو بخش خطی و غیر خطی دارای عملکرد بهتری است.