توسعه روش رگرسيون K- نزديك‌ترين همسايگي در پيش‌بيني جريان رودخانه

Development of K-Nearest Neighbour Regression Methodin Forecasting River Stream Flow

روشهاي مختلف آماري، غيرآماري و جعبه سياه در فرايندهاي پيش‌بيني جريان رودخانه استفاده مي‌شوند. از ميان روشهاي آماري، روش رگرسيون ناپارامتري K- نزديك‌ترين همسايگي به‌واسطه پايه رياضي و سادگي ذاتي، يكي از روشهاي مناسب در فرايندهاي پيش‌بيني است. در اين تحقيق ضمن معرفي كامل روش K-NN به تشريح راهكارهاي توسعه و بهبود اين روش پرداخته مي‌شود كه از آن جمله مي‌توان به معرفي روشهاي تخمين بهترين همسايگي، توابع انتقال اطلاعات (پيش‌پردازش)، توابع فاصله‌سنجي و روش پيشنهادي براي برونيابي اشاره كرد. روش پيش‌بيني K-NN به‌همراه راهكارهاي توسعه آن بر روي مطالعه موردي پيش‌بيني آورد حوضه بالادست سد زاينده‌رود اجرا شد. مقايسه نتايج نهايي روش K-NN كلاسيك با روش اصلاح شده K-NN (تعداد همسايگي 5، تابع انتقال دامنه مقياس، تابع فاصله سنجي ماهانالوبيس و اعمال روش برونيابي پيشنهادي) نشان مي‌دهد كه مدل بهبود يافته در پارامترهاي نكويي برازش، ريشه ميانگين مربعات خطا، درصد حجم خطا و ميزان همبستگي به‌ترتيب 45 ، 59 و 17درصد بهبود عملكرد داشته است. اين نتايج، ضرورت اعمال راهكارهاي ذكر شده را براي استخراج پيش‌بيني‌هاي دقيق‌تر نشان مي‌دهد.

Different statistical, non-statistical and black-box methods have been used in forecasting processes. Among statistical methods, K-nearest neighbour non-parametric regression method (K-NN) due to its natural simplicity and mathematical base is one of the recommended methods for forecasting processes. In this study, K-NN method is explained completely. Besides, development and improvement approaches such as best neighbour estimation, data transformation functions, distance functions and proposed extrapolation method are described. K-NN method in company with its development approaches is used in streamflow forecasting of Zayandeh-Rud Dam upper basin. Comparing between final results of classic K-NN method and modified K-NN (number of neighbour 5, transformation function of Range Scaling, distance function of Mahanalobis and proposed extrapolation method) shows that modified K-NN in criteria of goodness of fit, root mean square error, percentage of volume of error and correlation has had performance improvement 45% , 59% and 17% respectively. These results approve necessity of applying mentioned approaches to derive more accurate forecasts.