TY - JOUR T1 - Performance Evaluation of ARIMA Hybrid Models in the Prediction of Daily Electrical Conductivity (A Case Study of Telazang Hydrometric Station) TT - ارزیابی عملکرد مدل‌های هیبریدی ARIMA در پیش‌بینی هدایت الکتریکی روزانه (مطالعه موردی: ایستگاه هیدرومتری تله‌زنگ) JF - JSTNAR JO - JSTNAR VL - 24 IS - 3 UR - http://jstnar.iut.ac.ir/article-1-3980-fa.html Y1 - 2020 SP - 257 EP - 268 KW - Water quality KW - Neural fuzzy inference network KW - Arima KW - Neural network KW - Hybrid models. N2 - در این پژوهش از مدل سری زمانی اریما و شبکه استنتاج فازی- عصبی و شبکه عصبی مصنوعی پرسپترون چندلایه و مدل‌های هیبریدی ARIMA-ANN, ARIMA- ANFIS برای مدل‌سازی و پیش‌بینی پارامتر هدایت الکتریکی جریان روزانه ایستگاه آب‌سنجی تله‌زنگ با طول دوره آماری 49 ساله استفاده‌ شده است. برای این منظور از داده‌های روزانه سال‌های 1384-1347 برای آموزش مدل و از داده‌های سال‌های 1396-1385 برای آزمون استفاده شد. برای تأیید صحت مدل‌های اریما برازش یافته از توابع خودهمبستگی و خودهمبستگی جزئی باقی‌مانده‌ها و آماره پورت مانتئو استفاده شد. در مدل‌سازی و پیش‌بینی هدایت الکتریکی برای انتخاب پارامتر ورودی مؤثر شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی از الگوریتم PMI بهره گرفته شد که پارامترهای روزانه منیزیم (با دو روز تأخیر) و سدیم (با یک روز تأخیر) و درجه حرارت (با یک روز تأخیر) و دبی جریان (با دو ماه تأخیر) و اسیدیته (با یک روز تأخیر) با داشتن کمترین مقادیر اکایک و بیشترین مقادیر آماره همپل به‌عنوان ورودی شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی برای مدل‌سازی و پیش‌بینی هدایت الکتریکی روزانه معرفی شدند. بررسی معیارهای ارزیابی مدل‌ها تأیید کننده برتری مدل هیبریدی ARIMA-ANFIS با تابع عضویت ذوزنقه‌ای و تعداد تابع عضویت 2 نسبت به سایر مدل‌ها با مقادیر ضریب تبین 86/0و ریشه میانگین مربعات dS/m 29 است همچنین مدل آریما ضعیف‌ترین عملکرد را در مدل‌‌سازی و پیش‌بینی پارامتر کیفی روزانه ایستگاه هیدرومتری تله‌زنگ به‌خود اختصاص داده است. M3 10.47176/jwss.24.3.37431 ER -