respectively. Since it was not poss

respectively. Since it was not possible to show all 63 years of data clearly in one graph, five years were randomly selected from the calibration or training data. Month number 1 in this
figure is September. For other models during the calibration period, GP showed better results in general. During the verification period, ARMA(2,2) with GP method performed better
than the other models. However, the maximum likelihood approach also could forecast the river flow as well as the GP approach or even better in other types of ARMA models especially for verification data. As is evident in Figs. 4 and 5, the GP method could estimate the high
flows better than the maximum likelihood. On the other hand, superior performances for forecasting the low flows were obtained with the maximum likelihood principle. In order to test the model for a specific season, October to January was selected. The reason for this selection was the inability of other forecasting methods such as rainfall-runoff, snowmelt models, artificial neural networks and the standard ARMA methods in predicting the river
flow with enough accuracy for the case study. All these methods were tested prior to using the ARMA model. Consequently, the reservoir faced operational difficulties during these months. Tables 2 and 4 show the results of the models which have relatively close agreement with
the maximum likelihood method. Results show that when the number of AR and MA parameters increase, the GP method has a better performance compared with the maximum likelihood method. ARMA(2,2) in both the calibration and verification stages had better predictive capabilities.
To compare the models, the mean absolute error was used as the defining criterion.

ผลลัพธ์ (ไทย) 1:

ตามลำดับ เนื่องจากไม่สามารถแสดงข้อมูลทั้งหมด 63 ปีชัดเจนในกราฟหนึ่ง ห้าปีถูกสุ่มเลือกจากการสอบเทียบหรือข้อมูลการฝึกอบรม หมายเลขเดือน 1 ในนี้รูปเป็นกันยายน สำหรับรุ่นอื่น ๆ ในระหว่างระยะเวลาสอบเทียบ GP พบผลดีโดยทั่วไป ช่วงการตรวจสอบ ARMA(2,2) GP วิธีทำดีกว่ากว่ารุ่นอื่น ๆ อย่างไรก็ตาม แนวทางความเป็นไปได้สูงสุดยังสามารถการคาดการณ์กระแสแม่น้ำ และวิธี GP หรือยิ่งในรุ่นอาร์มาชนิดอื่น ๆ โดยเฉพาะอย่างยิ่งสำหรับการตรวจสอบข้อมูล เป็นใน Figs. 4 และ 5 วิธี GP สามารถประเมินสูงขั้นตอนที่ดีกว่าโอกาสสูงสุด บนมืออื่น ๆ แสดงห้องสำหรับการคาดการณ์กระแสต่ำสุดที่ได้รับ โดยใช้หลักความเป็นไปได้สูงสุด การทดสอบแบบจำลองสำหรับฤดูกาลเฉพาะ มีเลือกเดือนตุลาคมถึงเดือนมกราคม เหตุผลในการเลือกนี้ถูกไม่อื่น ๆ วิธีการคาดการณ์ปริมาณน้ำฝนที่ไหลบ่า รุ่น snowmelt เครือข่ายประสาทเทียม และอาร์มาวิธีการมาตรฐานในการทำนายน้ำกระแส มีความแม่นยำเพียงพอสำหรับกรณีศึกษา วิธีการเหล่านี้ทั้งหมดถูกทดสอบก่อนใช้แบบอาร์มา ดังนั้น อ่างเก็บน้ำที่ประสบความยากลำบากในการดำเนินงานในช่วงเดือนเหล่านี้ ตารางที่ 2 และ 4 ที่แสดงผลของรูปแบบที่ค่อนข้างปิดข้อตกลงกับวิธีความเป็นไปได้สูงสุด ผลลัพธ์แสดงว่า เมื่อเพิ่มจำนวนพารามิเตอร์ AR และ MA, GP วิธีมีประสิทธิภาพที่ดีเมื่อเทียบกับวิธีความเป็นไปได้สูงสุด ARMA(2,2) ในขั้นตอนการสอบเทียบและตรวจสอบมีความสามารถในการคาดการณ์ดีกว่าการเปรียบเทียบรูปแบบ ข้อผิดพลาดสัมบูรณ์หมายถึงถูกใช้เป็นเงื่อนไขการกำหนด

ผลลัพธ์ (ไทย) 2:

ตามลำดับ เพราะมันเป็นไปไม่ได้ที่จะแสดงทั้งหมด 63 ปีของข้อมูลอย่างชัดเจนในกราฟห้าปีที่ได้รับการคัดเลือกโดยการสุ่มจากการสอบเทียบหรือข้อมูลการฝึกอบรม หมายเลข 1
เดือนในรูปกันยายน สำหรับรุ่นอื่น ๆ ในช่วงระยะเวลาการสอบเทียบ, GP แสดงให้เห็นผลลัพธ์ที่ดีกว่าโดยทั่วไป ในช่วงระยะเวลาการตรวจสอบ, ARMA (2,2) ด้วยวิธีการ GP
ทำได้ดีกว่ารุ่นอื่นๆ อย่างไรก็ตามวิธีโอกาสสูงสุดยังสามารถคาดการณ์การไหลของแม่น้ำเช่นเดียวกับวิธีการ GP หรือดียิ่งขึ้นในรูปแบบอื่น ๆ ของรุ่น ARMA เฉพาะอย่างยิ่งสำหรับการตรวจสอบข้อมูล ในฐานะที่เห็นได้ชัดในมะเดื่อ 4 และ 5 วิธี GP
สามารถประมาณการสูงไหลดีกว่าความน่าจะเป็นสูงสุด บนมืออื่น ๆ , การแสดงที่เหนือกว่าสำหรับการคาดการณ์กระแสต่ำที่ได้รับกับหลักการความน่าจะเป็นสูงสุด เพื่อที่จะทดสอบแบบจำลองสำหรับฤดูกาลที่เฉพาะเจาะจงตุลาคม-มกราคมได้รับเลือก เหตุผลในการเลือกนี้คือไม่สามารถของวิธีการพยากรณ์อื่น ๆ เช่นปริมาณน้ำฝนที่ไหลบ่า-รุ่นรังสรรค์, เครือข่ายประสาทเทียมและวิธีการ ARMA
มาตรฐานในการทำนายแม่น้ำไหลด้วยความถูกต้องเพียงพอสำหรับกรณีศึกษา วิธีการเหล่านี้ได้รับการทดสอบก่อนที่จะใช้รูปแบบ ARMA ดังนั้นอ่างเก็บน้ำยากลำบากที่ต้องเผชิญกับการดำเนินงานในช่วงเดือนนี้ ตารางที่ 2 และ 4
แสดงผลของรูปแบบที่มีข้อตกลงที่ค่อนข้างใกล้เคียงกับวิธีโอกาสสูงสุด ผลการศึกษาพบว่าเมื่อจำนวนของพารามิเตอร์ AR และปริญญาโทเพิ่มขึ้นวิธี GP มีประสิทธิภาพที่ดีขึ้นเมื่อเทียบกับวิธีโอกาสสูงสุด ARMA (2,2) ทั้งในขั้นตอนการสอบเทียบและการตรวจสอบความสามารถในการมีการคาดการณ์ที่ดีกว่า.
เพื่อเปรียบเทียบรูปแบบข้อผิดพลาดแน่นอนหมายถึงถูกใช้เป็นเกณฑ์กำหนด

ผลลัพธ์ (ไทย) 3:

ตามลำดับ ตั้งแต่มันไม่ได้เป็นไปได้ที่จะแสดงทั้งหมด 63 ปีของข้อมูลอย่างชัดเจนในกราฟหนึ่งห้าปี สุ่มจากการสอบเทียบหรือข้อมูลการฝึกอบรม เดือน หมายเลข 1 ในรูปนี้
เป็นเดือนกันยายน สำหรับรุ่นอื่น ๆ ในช่วงระยะเวลาการสอบเทียบ GP พบผลลัพธ์ที่ดีกว่าโดยทั่วไป ในช่วงระยะเวลาการตรวจสอบ อาวุธ ( 2 , 2 ) ด้วยวิธี GP แสดงดีกว่า
มากกว่ารุ่นอื่น ๆ อย่างไรก็ตามวิธีความควรจะเป็นสูงสุดยังสามารถพยากรณ์แม่น้ำไหลเป็น GP วิธีการหรือดีกว่าอื่น ๆรูปแบบ อาวุธ โดยเฉพาะข้อมูลการตรวจสอบ เป็นประจักษ์ในผลมะเดื่อ . 4 และ 5 GP วิธีประเมินสูง
ไหลดีกว่าอันดับสูงสุด บนมืออื่น ๆการแสดงที่เหนือกว่าสำหรับการพยากรณ์การไหลต่ำได้ด้วยหลักการความน่าจะเป็นสูงสุด เพื่อทดสอบรูปแบบสำหรับฤดูกาลเฉพาะ ในช่วงเดือนตุลาคมถึงมกราคมได้รับเลือก เหตุผลสำหรับการเลือกนี้คือการไร้ความสามารถของวิธีการพยากรณ์อื่น ๆเช่น น้ำท่า น้ำฝนน้ำจากหิมะที่ละลายแบบโครงข่ายประสาทเทียมและวิธีการมาตรฐานในการพยากรณ์แม่น้ำ
อาวุธการไหลที่มีความถูกต้องเพียงพอสำหรับกรณีศึกษา วิธีการทั้งหมดนี้ได้ถูกทดสอบก่อนใช้อาวุธแบบ ดังนั้น การเผชิญปัญหาอ่างเก็บน้ำในช่วงเดือนเหล่านี้ ตารางที่ 2 และ 4 แสดงผลของแบบจำลองซึ่งมีค่อนข้างปิดข้อตกลงกับ
วิธีความควรจะเป็นสูงสุด ผลการศึกษาพบว่า เมื่อจำนวนของ AR และมาเพิ่มพารามิเตอร์GP วิธีมี ประสิทธิภาพที่ดีขึ้นเมื่อเทียบกับวิธีความควรจะเป็นสูงสุด อาวุธ ( 2 , 2 ) ทั้งในการสอบเทียบและการตรวจสอบขั้นตอนมีความสามารถในการพยากรณ์ดีกว่า
เปรียบเทียบแบบสัมบูรณ์เฉลี่ยความผิดพลาดครั้งนี้เป็นการกำหนดเกณฑ์