Rainfall is illustrative of a nonli

Rainfall is illustrative of a nonlinear process and its
forecasting with relatively limited data makes it very complex
phenomenon. To overcome part of this complexity in
modeling the rainfall, an ANN procedure (MFNN) integrated
with an evolutionary optimization method such as
GA was applied. The model input(s), the most effective
neighborhood stations and their rainfall lag times, will be
derived from optimized ANNs by GA to achieve an efficient
input configuration for minimum error. Basically,
by detecting effective inputs, the best input combination(s)
for intelligence prediction will appear. Delineation of optimum
lag time(s) at a particular location, investigation of
the extend to which inclusion of spatial information might
improve network performance, and assessment of performance
indicator with regard to application of cumulative
versus discrete data were addressed in this paper as well.
Seven cases of simulation models have been selected to
illustrate the performance of the proposed technique. These
runs differ from one another mainly on the genetic algorithm
parameters (i.e. Pm and Pc), surrounding rain gauges
used, number of time lags associated with each rain gauge,
temporal resolution of rainfall events, and data type
(cumulative versus discrete). The probability of mutation
(Pm) varied, traditionally, between 1.2% and 1.4%, while
crossover probability (Pc) varies between 92% and 96%.
Evaluation of network performance was achieved through
computation of three good fitness criteria, namely, mean
square error (MSE), normal mean square error (NMSE)
and coefficient of determination (R2). Table 1 summarizes
various experimental runs based on GA parameters. For
the first five models (data in discrete form), two previous
lags of all surrounding recording rain gauges are used to
forecast current rainfall depth at the rain gauge of interest
(Station No. 7261). In models 6 and 7, only rainfall information
from the target station, with several subsequent
lags, were used as input data. According to Bowden et al.
(2005a), mathematical sensitivity analysis is implemented
to validate selected input parameters with GA.
Table 2 presents the result of sensitivity analysis for the
first five models using rainfall data from all rain gauges
during the training phase as input parameter. Zeros in
Table 2 indicate gauges in which the GA algorithm disqualified
them either by generating an optimized topology or
left them out based on error minimization as sources of
input data because of their ineffectiveness to predict current
rainfall of the target station. The sensitivity coefficients
indicated by ‘‘-’’ in the 5th model are those eliminated manually
based on the results obtained in previous model
(model four) and they include those gauges with coefficients
of small values (indication of ineffectiveness) in order
to reduce the execution time of the model.
Table 2 also reveals that while the rainfall data from the
first lag appeared to be relatively sensitive to the target rain
gauge, the data from the second lag is almost very ineffective
in predicting the target rainfall. Another important
result drawn from Table 2 is that when the time resolution
gradually increased in the simulation model, the most effective
stations in predicting the target rainfall would appear.
Besides the target station itself, stations 7259, 7265, 7285
and 7299 have the major contribution on forecasting and
they are not necessarily the closest ones to target station,

ผลลัพธ์ (ไทย) 1:

ปริมาณน้ำฝนจะแสดงการไม่เชิงเส้นและการคาดการณ์มี ค่อนข้างจำกัดข้อมูลทำให้มันซับซ้อนมากปรากฏการณ์การ จะเป็นส่วนหนึ่งของความซับซ้อนในการเอาชนะปริมาณน้ำฝนในการสร้างโมเดล ขั้นตอนการแอน (MFNN) รวมด้วยวิธีการเพิ่มประสิทธิภาพของวิวัฒนาการเช่นมีใช้ GA รุ่น input(s) มีประสิทธิภาพมากที่สุดย่านสถานีและเวลาความล่าช้าของปริมาณน้ำฝนมา ANNs ให้เหมาะโดย GA เพื่อให้มีประสิทธิภาพกำหนดค่าป้อนเข้าสำหรับข้อผิดพลาดน้อยที่สุด โดยทั่วไปโดยการตรวจสอบปัจจัยการผลิตที่มีประสิทธิภาพ ส่วนการป้อนข้อมูล combination(s)ทำนายจะปรากฏขึ้นสำหรับข่าวกรอง Delineation เหมาะสมล่าช้า time(s) ที่ดัง การตรวจสอบขยายที่อาจรวมข้อมูลปริภูมิปรับปรุงประสิทธิภาพของเครือข่าย และประเมินผลตัวบ่งชี้เกี่ยวกับของสะสมเมื่อเทียบกับข้อมูลที่ไม่ต่อเนื่องที่อยู่ในเอกสารนี้เช่นกรณีที่เจ็ดของการจำลองแบบการเลือกที่จะแสดงให้เห็นถึงประสิทธิภาพของเทคนิคการนำเสนอ เหล่านี้ทำงานแตกต่างกันในขั้นตอนวิธีพันธุกรรมส่วนใหญ่พารามิเตอร์ (เช่น Pm และพีซี), รอบมาตรวัดฝนใช้ จำนวน lags เวลาที่สัมพันธ์กับแต่ละวัดฝนความละเอียดที่ขมับฝน และชนิดข้อมูล(สะสมเทียบกับแยกกัน) ความน่าเป็นของการกลายพันธุ์(Pm) ที่แตกต่าง กัน ประเพณี ระหว่าง 1.2% และ 1.4% ขณะที่ความน่าเป็นแบบไขว้ (พีซี) จำนวนประมาณ 92% และ 96%การประเมินประสิทธิภาพของเครือข่ายสำเร็จผ่านคำนวณเกณฑ์ดสาม คือ หมายถึงตารางข้อผิดพลาด (MSE), ข้อผิดพลาดปกติค่าเฉลี่ยกำลังสอง (NMSE)และสัมประสิทธิ์การกำหนด (R2) ตารางที่ 1 สรุปต่าง ๆ ทดลองรันตามพารามิเตอร์ GA สำหรับรุ่นแรก 5 (ข้อมูลในฟอร์มแยกกัน) สองก่อนหน้านี้lags ของเครื่องวัดฝนบันทึกโดยรอบทั้งหมดถูกนำมาใช้การคาดการณ์ปริมาณน้ำฝนความลึกที่ปัจจุบันที่วัดฝนน่าสนใจ(สถานีหมายเลข 7261) ข้อมูลปริมาณน้ำฝนรุ่น 6 และ 7 เท่านั้นจากสถานีเป้าหมาย มีหลายอย่างตามมาlags ถูกใช้เป็นข้อมูลป้อนเข้า ตาม Bowden et al(2005a), ดำเนินการวิเคราะห์ความไวทางคณิตศาสตร์การตรวจสอบเลือกพารามิเตอร์กับ GA.ตารางที่ 2 แสดงผลการวิเคราะห์ความไวในการครั้งแรก 5 รุ่นโดยใช้ข้อมูลปริมาณน้ำฝนจากมาตรวัดฝนทั้งหมดระหว่างขั้นตอนการฝึกอบรมเป็นพารามิเตอร์ป้อนเข้า ศูนย์ในตารางที่ 2 แสดงขั้นตอนวิธี GA เกณฑ์มาตรวัดพวกเขาอย่างใดอย่างหนึ่งโดยสร้างโทโพโลยีการเพิ่มประสิทธิภาพ หรือเมื่อพวกเขาออกตามการลดข้อผิดพลาดแหล่งป้อนข้อมูลเนื่องจาก ineffectiveness ของการคาดการณ์ปัจจุบันปริมาณน้ำฝนสถานีปลายทาง สัมประสิทธิ์ความไวระบุ '' -'' ในรุ่น 5 ที่ออกด้วยตนเองตามผลได้รับในรุ่นก่อนหน้า(รุ่น 4) และพวกเขารวมถึงมาตรวัดที่ มีค่าสัมประสิทธิ์ค่าขนาดเล็ก (วัด ineffectiveness) ตามลำดับเพื่อลดเวลาการดำเนินการของแบบจำลองตารางที่ 2 นอกจากนี้ยังพบที่ในขณะที่ข้อมูลปริมาณน้ำฝนจากความล่าช้าครั้งแรกปรากฏ ว่าค่อนข้างอ่อนไหวกับฝนเป้าหมายวัด ข้อมูลจากความล่าช้าที่สองเป็นผลมากเกือบในการทำนายปริมาณน้ำฝนเป้าหมาย อีกที่สำคัญดึงมาจากตารางที่ 2 ผลคือเมื่อแก้ไขเวลาค่อย ๆ เพิ่มขึ้นในการจำลองแบบ มีประสิทธิภาพสูงสุดสถานีในการทำนายปริมาณน้ำฝนเป้าหมายจะปรากฏขึ้นนอกจากเป้าหมายสถานีเอง สถานี 7259, 7265, 7285และ 7299 มีส่วนสำคัญในการคาดการณ์ และพวกเขาไม่จำเป็นสุดปลายทางสถานี

ผลลัพธ์ (ไทย) 2:

ปริมาณน้ำฝนเป็นตัวอย่างของกระบวนการเชิงเส้นและของการคาดการณ์ที่มีข้อมูลค่อนข้าง จำกัด ทำให้มันซับซ้อนมากปรากฏการณ์ ที่จะเอาชนะเป็นส่วนหนึ่งของความซับซ้อนในการสร้างแบบจำลองปริมาณน้ำฝนที่ขั้นตอนการ ANN (MFNN) บูรณาการกับวิธีการเพิ่มประสิทธิภาพวิวัฒนาการเช่นGA ถูกนำมาใช้ ใส่รูปแบบ (s), มีประสิทธิภาพมากที่สุดสถานีและพื้นที่ใกล้เคียงครั้งล่าช้าปริมาณน้ำฝนของพวกเขาจะได้รับจากการเพิ่มประสิทธิภาพโดยANNs GA เพื่อให้บรรลุประสิทธิภาพการกำหนดค่าการป้อนข้อมูลสำหรับข้อผิดพลาดขั้นต่ำ โดยทั่วไปโดยการตรวจสอบปัจจัยการผลิตที่มีประสิทธิภาพการผสมผสานการป้อนข้อมูลที่ดีที่สุด (s) สำหรับการคาดการณ์ปัญญาจะปรากฏ การวาดภาพที่ดีที่สุดของเวลาล่าช้า (s) ในสถานที่โดยเฉพาะอย่างยิ่งการสืบสวนขยายที่รวมของข้อมูลเชิงพื้นที่อาจปรับปรุงประสิทธิภาพการทำงานของเครือข่ายและการประเมินผลการดำเนินงานตัวชี้วัดเกี่ยวกับการประยุกต์ใช้ในการสะสมเมื่อเทียบกับข้อมูลที่ไม่ต่อเนื่องได้รับการแก้ไขในกระดาษนี้เช่นกันเซเว่นกรณีของแบบจำลองได้รับเลือกให้แสดงให้เห็นถึงประสิทธิภาพการทำงานของเทคนิคที่นำเสนอ เหล่านี้ทำงานแตกต่างจากคนอื่นส่วนใหญ่ในขั้นตอนวิธีพันธุกรรมพารามิเตอร์(เช่น Pm และ PC) รอบเครื่องวัดฝนใช้จำนวนของเวลาล่าช้าที่เกี่ยวข้องกับแต่ละวัดฝนขมับมติของเหตุการณ์ที่เกิดปริมาณน้ำฝนและชนิดของข้อมูล(สะสมเมื่อเทียบกับการที่ไม่ต่อเนื่อง) น่าจะเป็นของการกลายพันธุ์(Pm) ที่แตกต่างกันตามธรรมเนียมระหว่าง 1.2% และ 1.4% ในขณะที่ความน่าจะเป็นครอสโอเวอร์(PC) แตกต่างกันระหว่าง 92% และ 96%. การประเมินประสิทธิภาพของเครือข่ายก็ประสบความสำเร็จผ่านการคำนวณสามเกณฑ์การออกกำลังกายที่ดีคือหมายถึงตารางข้อผิดพลาด (MSE) ข้อผิดพลาดปกติเฉลี่ยตาราง (NMSE) และค่าสัมประสิทธิ์การตัดสินใจ (R2) ตารางที่ 1 สรุปวิ่งทดลองต่างๆตามพารามิเตอร์GA สำหรับครั้งแรกห้ารุ่น (ข้อมูลในรูปแบบที่ไม่ต่อเนื่อง) สองก่อนหน้าล่าช้าของทุกรอบการบันทึกมาตรวัดฝนจะใช้ในการคาดการณ์ปริมาณน้ำฝนในปัจจุบันความลึกที่วัดปริมาณน้ำฝนที่น่าสนใจ(สถานีฉบับที่ 7261) ในรุ่นที่ 6 และ 7 เท่านั้นข้อมูลปริมาณน้ำฝนจากสถานีเป้าหมายที่มีตามมาอีกหลายล่าช้าถูกนำมาใช้เป็นข้อมูลการป้อนข้อมูล ตามที่. โบว์, et al (2005A) การวิเคราะห์ความอ่อนไหวทางคณิตศาสตร์ที่จะดำเนินการในการตรวจสอบป้อนพารามิเตอร์เลือกด้วยGA. ตารางที่ 2 นำเสนอผลการวิเคราะห์ความไวสำหรับครั้งแรกห้ารุ่นโดยใช้ข้อมูลปริมาณน้ำฝนจากเครื่องวัดปริมาณน้ำฝนในระหว่างขั้นตอนการฝึกอบรมเป็นinput พารามิเตอร์ . ศูนย์ในตารางที่ 2 แสดงให้เห็นมาตรวัดซึ่งในขั้นตอนวิธี GA ตัดสิทธิ์พวกเขาทั้งโดยการสร้างโครงสร้างที่ดีที่สุดหรือเหลือพวกเขาออกมาอยู่บนพื้นฐานของการลดข้อผิดพลาดเป็นแหล่งที่มาของข้อมูลเข้าเพราะความไม่มีประสิทธิภาพของพวกเขาที่จะคาดการณ์ในปัจจุบันปริมาณน้ำฝนของสถานีเป้าหมาย ค่าสัมประสิทธิ์ความไวแสดงโดย '' - '' ในรูปแบบที่ 5 เป็นผู้ที่ถูกตัดออกด้วยตนเองบนพื้นฐานของผลที่ได้รับในรุ่นก่อนหน้า(รุ่นที่สี่) และพวกเขารวมถึงมาตรวัดที่มีค่าสัมประสิทธิ์ของค่าขนาดเล็ก(ที่บ่งบอกถึงความไม่มีประสิทธิภาพ) เพื่อที่จะลดเวลาปฏิบัติการของรูปแบบ. ตารางที่ 2 ยังแสดงให้เห็นว่าในขณะที่ข้อมูลปริมาณน้ำฝนจากความล่าช้าปรากฏตัวครั้งแรกจะค่อนข้างไวต่อฝนเป้าหมายวัดข้อมูลจากความล่าช้าที่สองเกือบจะไม่ได้ผลมากในการทำนายปริมาณน้ำฝนเป้าหมาย ที่สำคัญอีกผลมาจากตารางที่ 2 คือว่าเมื่อความละเอียดเวลาที่ค่อยๆเพิ่มขึ้นในแบบจำลองที่มีประสิทธิภาพมากที่สุดสถานีในการทำนายปริมาณน้ำฝนเป้าหมายจะปรากฏ. นอกจากนี้สถานีเป้าหมายของตัวเองสถานี 7259, 7265, 7285 และ 7299 มีผลงานที่สำคัญ ในการพยากรณ์และการที่พวกเขาไม่จำเป็นต้องเป็นคนที่ใกล้เคียงที่สุดที่จะกำหนดเป้าหมายสถานี