توسعه مدل هيبريدي شبكه عصبي- فازي و الگوريتم شكار شاهين هريس جهت پيش‌بيني جريان ماهانه ورودي به مخازن سدها

امروزه مدل‌هاي يادگيري ماشين با تكيه بر استخراج الگوي بين داده‌ها قادر به ‌پيش‌بيني مناسب سري‌هاي زماني هستند. در اين پژوهش از شبكه عصبي- فازي (ANFIS) براي پيش‌بيني جريان ورودي به مخزن سد مهاباد در شمال غرب ايران استفاده گرديد. همچنين از الگوريتم بهينه‌سازي جديد شكار شاهين هريس (HHO) براي بهبود ساختار ANFIS بهره برده شد. از داده‌هاي هواشناسي مانند بارش ماهانه، دماي ماهانه و جريان ورودي به مخزن يك تا سه ماه قبل به‌عنوان پارامترهاي ورودي و در 6 الگوي مختلف ورودي استفاده شد. حدود 70% داده‌ها براي آموزش مدل‌ها و 30% براي آزمون آن‌ها در نظر گرفته شد. نتايج نشان داد كه مدل ANFIS از دقت خوبي در داده‌هاي آموزش برخوردار است اما براي داده‌هاي آزمون از دقت آن بسيار كاسته مي‌شود. توسعه مدل HHO-ANFIS موجب بهبود دقت پيش‌بيني شد. در بين الگوهاي ورودي، الگويي كه شامل تمام پارامترهاي ورودي بود (P6) داراي بيش ترين دقت پيش‌بيني بود. در اين الگو مقادير جذر ميانگين مربعات خطا (RMSE)، ميانگين خطاي مطلق (MAE) به همراه ضريب ناش ساتكليف (NSE) براي داده‌هاي آزمون به ترتيب برابر MCM 3/9، MCM 2/41 و 0/86 بود. با توجه به عملكرد خوب مدل مورد استفاده، مي‌توان آن را براي پيش‌بيني سري‌هاي زماني توصيه كرد.