بررسی اثر استفاده از تبدیلات موجک بر روی عدم‌قطعیت مدل‌های مبتنی بر شبکه عصبی مصنوعی و ماشین یادگیری افراطی در زمینه پیش‌بینی میزان تقاضای آب شرب شهری

Abstract

پیش‌بینی میزان مصرف آب شرب شهری یکی از دغدغه‌های نوین جوامع شهری معاصر بوده است. در این راستا، تحقیقات زیادی در زمینه مقایسه عملکرد مدل‌های مختلف انجام شده است. با معرفی شبکه عصبی مصنوعی، بحث پیرامون نحوه بهینه‌سازی آن‌ها با استفاده از روش‌های مختلف، بخصوص تبدیلات موجک داغ شد. در اغلب پژوهش‌ها اثر استفاده از تبدیلات موجک بر روی عملکرد و دقت مدل‌های عصبی مورد توجه قرار گرفت، اما تاثیر استفاده از تبدیلات موجک بر عدم‌قطعیت مدل‌های عصبی مورد بررسی قرار نگرفته است. در این پژوهش عملکرد و عدم قطعیت دو مدل مبتنی‌بر شبکه عصبی مصنوعی بازگشتی (NARX)، مدل یادگیری ماشینی افراطی (ELM) و نسخه موجکی آن‌ها (W_NARX) و (W_ELM) برای پیش‌بینی میزان مصرف آب شهرک مهدیه قم مورد بررسی قرار گرفت. نتایج نشان داد که مدل NARX (با ضریب رگرسیون ۰.۹۵۵) از دقت بالاتری در مقایسه با ELM (با ضریب رگرسیون ۰.۷۸۷) برخوردار است. از طرفی، نوع موجکی آن‌ها به‌ترتیب دارای ضریب رگرسیون ۰.۹۶۰ و ۰.۸۴۷ است که نشان دهنده برتری مدل W_NARX است. علت عملکرد ضعیف‌تر ELM را می‌توان در پیچیدگی زیاد رفتار مصرف‌کننده آب و ساختار ساده این مدل نسبت به NARX دانست. از طرفی، استفاده از تبدیلات موجک بر بهبود دقت هر دو مدل تاثیر مثبت داشت، اما این تاثیر در مدل ELM بیشتر بود. نتایج تحلیل عدم‌قطعیت بر روی این دو مدل حاکی از کاهش عدم‌قطعیت هر دو مدل بود. اما این مهم در مدل W_NARX با بازه اطمینان ۹۸.۷۵٪ بیشتر قابل توجه بود.