The goal of the present research is

The goal of the present research is forecasting the inflow of Dez dam reservoir by using Auto Regressive Moving Average (ARMA) and Auto Regressive Integrated Moving Average (ARIMA) models while increasing the number of parameters in order to increase the forecast accuracy to four parameters and comparing them with the static and dynamic artificial neural networks. In this research, monthly discharges from 1960 to 2007 were used. The statistics related to first 42. years were used to train the models and the 5 past years were used to forecast. In ARMA and ARIMA models, the polynomial was derived respectively with four and six parameters to forecast the inflow. In the artificial neural network, the radial and sigmoid activity functions were used with several different neurons in the hidden layers. By comparing root mean square error (RMSE) and mean bias error (MBE), dynamic artificial neural network model with sigmoid activity function and 17 neurons in the hidden layer was chosen as the best model for forecasting inflow of the Dez dam reservoir. Inflow of the dam reservoir in the 12 past months shows that ARIMA model had a less error compared with the ARMA model. Static and Dynamic autoregressive artificial neural networks with activity sigmoid function can forecast the inflow to the dam reservoirs from the past 60. months. ?? 2012 Elsevier B.V.

ผลลัพธ์ (ไทย) 1:

เป้าหมายของการวิจัยที่นำเสนอเป็นการคาดการณ์กระแสของ Dez เขื่อนอ่างเก็บน้ำ โดยอัตโนมัติลดค่าลงเรื่อย ๆ ย้ายเฉลี่ย (อาร์มา) และรถยนต์ลดค่าลงเรื่อย ๆ รวมย้ายเฉลี่ย (อา) ในขณะที่เพิ่มหมายเลขของพารามิเตอร์เพื่อเพิ่มความแม่นยำการคาดการณ์สี่พารามิเตอร์ และเปรียบเทียบกับแบบคง และแบบไดนามิกประดิษฐ์ประสาทเครือข่าย ในงานวิจัยนี้ ปล่อยเดือนจาก 1960 2007 ใช้ สถิติที่เกี่ยวข้องกับ 42 ครั้งแรก ปีใช้ในการฝึกอบรมรูปแบบ และ 5 ปีที่ผ่านมาใช้ในการคาดการณ์ ในรูปแบบอาร์มาและอา โพลิโนเมียรับมาตามลำดับ ด้วยพารามิเตอร์สี่ และหกกับกระแสการคาดการณ์ ในเครือข่ายประสาทเทียม ฟังก์ชันเรเดียล และ sigmoid ถูกใช้กับ neurons ที่แตกต่างกันหลายในชั้นซ่อน โดยการเปรียบเทียบค่าเฉลี่ยกำลังสองรากข้อผิดพลาด (RMSE) และข้อผิดพลาดการตั้งเฉลี่ย (MBE), รูปแบบเครือข่ายประสาทเทียมแบบไดนามิกกับฟังก์ชันกิจกรรม sigmoid neurons 17 ในชั้นซ่อนถูกเลือกเป็นแบบจำลองดีที่สุดสำหรับการคาดการณ์กระแสของอ่างเก็บน้ำเขื่อน Dez กระแสของอ่างเก็บน้ำเขื่อนใน 12 เดือนที่ผ่านมาแสดงว่า รุ่นอามีมีน้อยข้อผิดพลาดเมื่อเทียบกับแบบอาร์มา แบบสแตติก และไดนามิก autoregressive ประดิษฐ์เครือข่ายประสาท ด้วยฟังก์ชัน sigmoid กิจกรรมสามารถคาดไหลเข้าอ่างเก็บน้ำเขื่อนมา 60 เดือน ?? 2012 Elsevier b.v

ผลลัพธ์ (ไทย) 2:

เป้าหมายของการวิจัยในปัจจุบันที่มีการคาดการณ์การไหลเข้าของอ่างเก็บน้ำเขื่อน Dez โดยใช้รถยนต์ถอยหลังค่าเฉลี่ยเคลื่อนที่ (ARMA) และ Auto ถอยหลังแบบบูรณาการเฉลี่ยเคลื่อนที่ (ARIMA) รุ่นในขณะที่การเพิ่มจำนวนของพารามิเตอร์ในการสั่งซื้อเพื่อเพิ่มความแม่นยำในการคาดการณ์ถึงสี่พารามิเตอร์และ เปรียบเทียบกับแบบคงที่และแบบไดนามิกเครือข่ายประสาทเทียม ในงานวิจัยนี้ปล่อยรายเดือน 1960-2007 ถูกนำมาใช้ สถิติที่เกี่ยวข้องกับครั้งแรก 42 ปีที่ถูกนำมาใช้ในการฝึกอบรมรุ่นและ 5 ปีที่ผ่านมาถูกนำมาใช้ในการคาดการณ์ ใน ARMA และรูปแบบ ARIMA, พหุนามได้มาตามลำดับที่มีสี่และหกพารามิเตอร์ที่จะคาดการณ์ไหลเข้า ในเครือข่ายประสาทเทียมที่รัศมีและฟังก์ชั่นกิจกรรม sigmoid ถูกนำมาใช้กับเซลล์ประสาทที่แตกต่างกันในชั้นที่ซ่อนอยู่ โดยการเปรียบเทียบรากหมายถึงข้อผิดพลาดของตาราง (RMSE) หมายถึงข้อผิดพลาดและอคติ (MBE) แบบไดนามิกรูปแบบเครือข่ายประสาทเทียมที่มีฟังก์ชั่นกิจกรรม sigmoid และ 17 เซลล์ประสาทในชั้นที่ซ่อนอยู่ได้รับเลือกเป็นรูปแบบที่ดีที่สุดสำหรับการไหลเข้าของการคาดการณ์อ่างเก็บน้ำเขื่อน Dez การไหลเข้าของอ่างเก็บน้ำเขื่อนในช่วง 12 เดือนที่ผ่านมาแสดงให้เห็นว่ารูปแบบ ARIMA มีข้อผิดพลาดน้อยลงเมื่อเทียบกับรูปแบบ ARMA แบบคงที่และแบบไดนามิกอัตเครือข่ายประสาทเทียมที่มีฟังก์ชั่น sigmoid กิจกรรมสามารถคาดการณ์การไหลเข้าอ่างเก็บน้ำเขื่อนจากที่ผ่านมา 60 เดือน ?? 2012 Elsevier BV

ผลลัพธ์ (ไทย) 3:

เป้าหมายของงานวิจัยนี้คือ การพยากรณ์ปริมาณของเดซเขื่อนอ่างเก็บน้ำ โดยใช้รถยนต์ถอยหลังค่าเฉลี่ยเคลื่อนที่ ( อาม่า ) และรถยนต์ถอยหลังแบบค่าเฉลี่ยเคลื่อนที่ ( ARIMA ) รุ่น ในขณะที่การเพิ่มจำนวนของพารามิเตอร์เพื่อเพิ่มความถูกต้องในการพยากรณ์ตัวแปร 4 ตัวมาเปรียบเทียบกับแบบคงที่และแบบไดนามิก โครงข่ายประสาทเทียม . ในงานวิจัยนี้ประจำเดือนไหลจาก 1960 ถึงปี 2007 ใช้ สถิติที่เกี่ยวข้องกับแรก 42 ปีถูกใช้ในการฝึกรูปแบบและ 5 ปีที่ผ่านมาเคยคาดการณ์ ใน อาวุธ และตัวแบบ ARIMA , พหุนามได้มาตามลำดับกับสี่และหกตัวแปรพยากรณ์น้ำท่า . ในโครงข่ายประสาทเทียมกิจกรรมและการทำงานเป็นแบบใช้กับหลายกลุ่มที่แตกต่างกันในชั้นซ่อน . โดยเปรียบเทียบรากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) และค่าเฉลี่ยความผิดพลาดอคติ ( MBE ) , โครงข่ายประสาทเทียมแบบไดนามิกด้วยฟังก์ชันและกิจกรรมแบบ 17 เซลล์ประสาทในชั้นซ่อนเลือกเป็นรุ่นที่ดีที่สุดสำหรับการพยากรณ์การไหลเข้าของเดซ เขื่อน อ่างเก็บน้ำไหลเข้าอ่างเก็บน้ำของเขื่อนใน 12 เดือนที่ผ่านมา พบว่า แบบจำลอง ARIMA มีข้อผิดพลาดน้อยลงเมื่อเทียบกับ อาวุธแบบ แบบคงที่และแบบไดนามิกวิธีโครงข่ายประสาทเทียมกับกิจกรรมแบบฟังก์ชันสามารถพยากรณ์ไหลเข้าเขื่อนอ่างเก็บน้ำจากอดีต 60 เดือน ? ? ? ? ? 2012 บริษัทนำเสนอ