مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM

الموضوعات :

محبوبه شادابی بجند ¹ ( دانشجوی دکتری گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران. *(مسوول مکاتبات) )
ابراهیم امیری ² ( استاد گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران. )

تاريخ الإرسال : 26 الجمعة , ربيع الثاني, 1442 تاريخ التأكيد : 16 الثلاثاء , محرم, 1443 تاريخ الإصدار : 11 السبت , شوال, 1445

الکلمات المفتاحية: استان گیلان, رسوب لحظه ای, رودخانه قلعه رودخان, شبکههای عصبی بازگشتی, LSTM.,

ملخص المقالة :

زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده¬ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه¬های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) و (نظر آلات) تشکیل شده است. از همین رو، هدف از انجام این پژوهش، مدل-سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) است. روش بررسی: در این تحقیق از آمار دبی ـ رسوب ثبت شده مربوط به دوره آماری سال 1381 تا 1395 استفاده شده است. این آمار شامل دبی لحظه ای روزانه به مترمکعب بر ثانیه و رسوب روزانه لحظه ای به تن در روز است که همزمان اندازه گیری شده اند. متغیرهای تحت بررسی در مدلسازی پیش بینی مستلزم ايجاد يک شبکه عصبي مصنوعي، وجود يک سري داده، به منظور مدلسازي در اين شبکه مي باشد. یافته ها: دقت پیش بینی های انجام شده با سه معیار خطا بررسی شد. سه معیار مورد بررسی به ترتیب AFE، FFE و n-AFE هستند. بحث و نتیجهگیری: نتایج به دست آمده نشان داد که از میان معیارهای مورد بررسی معیار FFE همبستگی میان خروجی مدل و داده¬های اندازه¬گیری شده رسوب مناسب می باشد. در نتیجه مدل LSTM دارای دقت مناسب برای پیش بینی مقدار رسوب دو رودخانه قلعه رودخان می باشد.

المصادر:

1. Oliveira N, Cortez P, Areal N. The impact of microblogging data for stock market prediction: Using Twitter to predict returns, volatility, tradingvolume and survey sentiment indices. Expert Systems with Applications, 2017; 73: 125-144.
2. Batny N, Golmaee S.H, Zia Tabar Ahmadi M.Kh. 2015. The study of sediment transport and the changes of river bed using Gstars3 Mathematical model (Case study: Gaveh Roud River). J. of Water and Soil Conservation, Vol. 22(1), (in Persian).
3. Hezbavi, Z., Sadeghi, S.H.R. And Younesi H.A. 2012. Analysis and evaluation of the effectiveness of runoff components from the application of different levels of polyacrylamide. Journal of Soil and Water Resources Protection, 2 (2): 1-14. (In Persian)
4. Behzadfar, M., Sadeghi, S.H.R., Khanjani, M.J. And Hezbavi, Z. 1391. Influence of runoff production and sediment of soils under freezing-thaw cycle under rain simulation conditions. Journal of Soil and Water Resources Protection, 2 (1): 13-23. (In Persian)
5. Karami, A., Homaee, M., Neyshabouri, M.R., Afzalinia, S. and Basirat, S. 2012. Large scale evaluation of single storm and short/long term erosivity index models. Turkish Journal of Agriculture and Forestry, 36: 207-216.
6. Dehghani, A.A., Zanganeh, M.E., Mosaed, A., and Kohestani N. 2009. Comparison of Suspended Sediment Estimation by Artificial Neural Network and Sediment Rating Curve Methods (Case Study: Doogh River in Golestan Province). J. Agric. Sci. Natur. Resour., Vol. 16 (Special issue 1-a), 2009. (In Persian)
7. Ebrahimi Mohammadi, SH., Sadeghi, S.H., and Chapi, K. 2012. Analysis of runoff, suspended sediment and nutrient yield from different tributaries to Zarivar lake in event and base flows. Artery of water and soil protection, second year, first issue, autumn 1. (In Persian)
8. Vali, A., Ramesht, M.H., Seif, A., and Ghazavi, R. 2011. Comparison of the efficiency of artificial neural network and regression models for prediction Sediment load during a case study of Samandgan watershed. Journal of Geography and Environmental Planning, Volume 22, Number 44, Issue 4, Winter 2011. (In Persian)
9. Eshghi, P., Farzadmehr, J., Dastoran, M.T., and Arabasadi, Z. 2016. The Effectiveness of Intelligent Models in Estimating the River Suspended Sediments (Case Study: Babaaman Basin, Northern Khorasan). Journal of Watershed Management Research Vol. 7, No. 14, Autumn and Winter 2016. (In Persian)
10. Kakaei Lafdani, E.,Moghaddam Nia, A. and Ahmadi, A. 2013. Daily suspended sediment load prediction using artificial neural networks and support vector machines. Hydrology, 478: 50-62. (In Persian)
11. Khanchoul, K., Altschul, R., and Assassi, F. 2010. Estimating suspended sediment yield , sedimentation controls and impacts in the Mellah Catchment of Northern Algeria. Arab. J. Geosci. 2: 3. 257-271.
12. Platt, J. 2000. Fast Training Support Vector Machine Using Sequential Minimal Optimization. http://www.research.microsoft.com/_jplatt. 41-65.
13. Yosefi, M., A. Talebi and R. Poorshariaty. 2014. Application of Artificial Intelligence in Water and Soil Sciences. Yazd University publication, Yazd, Iran, 516 pp. (In Persian)
14. Tabatabaei, M., K. Solaimani, M. Habibnejad Roshan and A. Kavian. 2014. Estimation of Daily Suspended Sediment Concentration Using Artificial Neural Networks and Data Clustering by Self Organizing Map (Case Study: Sierra Hydrometry Station- Karaj Dam Watershed). Journal of Watershed Management, 5: 98-116. (In Persian)
15. Falamaki, A., M. Eskandari, A. Baghlani and A. Ahmadi. 2013. Modeling Total Sediment Load in Rivers Using Artificial Neural Networks. Journal of Water and Soil Conservation, 2: 13-26. (In Persian)
16. Akbari, Z. and A. Talebi. 2010. Estimation of Suspended Sediment Using Regression Decision Trees Method (Case Study Ilam Dam Basin Science and Technology of Agriculture and Natural Resources Journal, 17: 109-121. (In Persian)
17. [17]. Dastorani, M., Kh. Azimi Fashi, A. Talebi and M. Ekhtesasi. 2012. Suspended Sediment Estimation Using Artificial Neural Network (Case Study: Jamyshan watershed in Kermanshah). Journal of Watershed Management, 3: 61-74. (In Persian)
18. Toloei, S., D. Hossenzadeh, M. Ghorbani, A. Fakhrefard and F. salmasi. 2011. Estimate Temporal and Spatial Suspended load river AJICHAI with Use from Geostatistics and Artificial neural Network. Issue Science Water and Soil, 21: 12-25. (In Persian)
19. Kisi, O. and Shiri, J. 2012. River Suspended Sediment Estimation by Climate Variables Implication: Comparative Study among Soft Computing Techniques. Computer and Geosciences, 43: 73-82.
20. Hussain D, Khan AA. Machine learning techniques for monthly river flow forecasting of Hunza River, Pakistan. Earth Science Informatics, 2020; DOI: 10.1007/s12145-020-00450-z.
21. Dou M, Qin C, Li G, Wang C. Research on Calculation Method of Free flow Discharge Based on Artificial Neural Network and Regression Analysis. Flow Measurement and Instrumentation, 2020; 72: 102-123.
22. Amiri, E., Naderi Dyzgahi, M.f., and Baygan,A. 2015. Investigation of discharge changes and water quality of Rudkhan Castle. National Association of Architects of Iran. International Conference on Civil Engineering, Architecture and Urban Planning in the Third Millennium. Tehran - July 2015. (In Persian)
23. Ahmadi P, Arefee H, Kardan N. 2020. Prediction of average monthly discharge of Karun river using GRU- LSTM combined method. Journal of Echo Hydrology, Volume 7. Issue 3. Fall 1399. Page 633-619.
24. Razavizadeh S, Kavian A.A, Vafakhah M. 2014, Estimation of suspended sediment discharge flow using the best network structure Artificial nerve in Taleghan watershed Journal of Agricultural Science and Technology and Natural Resources, Soil and Water Sciences / Year 18 / Issue Sixty-Eight / Summer 1 (In Persian)

نص كامل:



مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM

چکیده

 

برآورد مناسب از میزان رسوب جاری شده در رودخانه‌ها به عنوان مبنای داده­ای برای بسیاری از طرح‌ها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه­های آبی بسیار مهم در غرب استان گیلان می باشد مهمترین شاخه های تشکیل دهنده حوزه، دو شاخه ( گشت رودخان) و ( قلعه رودخان) می باشند که رودخانه مورد مطالعه ( قلعه رودخان) از دو شاخه ( حیدرآلات) و ( نظر آلات) به وجود آمده است. از همین رو، هدف از انجام این پژوهش اقدام به مدل­سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت(LSTM)  شده است. شبکه عصبی مصنوعی  LSTM نوع خاصی از شبکه‌های عصبی بازگشتی هستند که توانائی یادگیری وابستگی‌های بلندمدت را دارند. همه شبکه‌های عصبی بازگشتی به شکل دنباله‌ای (زنجیره‌ای) تکرار شونده از ماژول‌های (واحد‌های) شبکه‌های عصبی هستند. در شبکه‌های عصبی بازگشتی استاندارد، این ماژول‌های تکرار شونده ساختار ساده‌ای دارند. در این تحقیق از آمار دبی ـ رسوب ثبت شده مربوط به دوره آماری سال 1381 تا 1395 استفاده شده است. این آمار شامل دبی لحظه ای روزانه به مترمکعب بر ثانیه و رسوب روزانه لحظه ای به تن در روز است که همزمان اندازه گیری شده اند. متغیرهای تحت بررسی در مدلسازی پیش بینی لازمه ايجاد يک شبکه عصبي مصنوعي، وجود يک سري داده، به منظور مدلسازي در اين شبکه مي باشد. دقت پیش بینی های انجام شده با سه معیار خطا بررسی شد. سه معیار مورد بررسی به ترتیب AFE، FFE و n-AFE هستند. نتایج به دست آمده نشان داد که از میان معیارهای مورد بررسی معیار FFE نشان داد که همبستگی خروجی مدل و داده های اندازه گیری شده رسوب مناسب می باشد. در نتیجه مدل LSTM دارای دقت مناسب برای پیش بینی مقدار رسوب دو رودخانه قلعه رودخان می باشد. 

 

 

 

 

 

کلمات کلیدی:  استان گیلان، رسوب لحظه ای، رودخانه قلعه رودخان، شبکه‌های عصبی بازگشتی ، LSTM

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1-مقدمه

برآورد دبی رودخانه ها به خصوص دبی اوج تاثیر زیادی بر برنامه ریزی و مدیریت حوضه رودخانه ها، ارزیابی ریسک، کنترل سیلاب و خشکسالی و همچنین، توسعه مدیریت منابع آبی خواهد داشت(1). پیش بینی میزان رسوب رودخانه ها اهمیت بسزایی دارد و از دئیرباز مورد توجه محققین قرار داشته است. با وجود پیشرفت های فراوانی که در این زمکینه صورت گرفته به دلیل پیچیده بودن مسأله رسوب و وابستگی آن به شرایط طبیعی نتایج به دست آمده از پژوهش ها در این زمینه را با عدم قطعیت و احتمالات فروان مواجه ساخته است. با این وجمود، پیش بینی رسوب امری ضروری و اجتناب ناپذیر می باشد. مهندسین هیدرولیک و زمین شناسان طی دو قرن گذشته حرکت مواد رسوبی در رودخانه ها را مورد بررسی قرار داده اند چرا که رفتار مواد رسوبی در هیدرولیک رودخانه و تغییر مورفولوژی آن دارای اهمیت است. طبیعت پیچیده انتقال رسوب و وابستگی آن به شرایز طبیعی، علم انتقال رسوب را به رشته ای تجربی و یا حداقل نیمه تجربی تبدیل کرده است (2).

امروزه مدیریت کمی و کیفی منابع آب به سبب افزایش نیازمندی ها و مصرف جوامع انسانی، بیش از پیش از اهمیت ویژه ای برخوردار است (3). پدیده فرسایش خاک و انتقال رسوب از جمله فرآیندهای مهم هیدرودینامیک هستند ( 4و5) که به عنوان یکی از بزرگترین چالش های بهره برداری از منابع آب های سطحی در جهان شناخته می شوند (6). ورود رسوبات معلق و مواد مغذی   توسط رواناب به خروجی آبخیز یا سطوح اساس، یکی از مهمترین دلایل کاهش کیفیت سامانه های آبی است (7). اطلاعات کافی در این زمینه به عنوان پایه ای برای پروژه های رودخانه ای مانند برداشتن قوس رودخانه ها، تنگ شدگی رودخانه، کشتیرانی، کنترل سیل، پس رفت آب و طراحی مخازن لازم است (8). ﻓﺮﺳﺎﯾﺶ و رﺳﻮبﮔﺬاري، ﻓﺮآﯾﻨﺪي اﺳﺖ ﮐﻪ ﺑﻪ از دﺳﺖ رﻓﺘﻦ ﺧﺎكﻫﺎيﺣﺎﺻﻞﺧﯿﺰ ﺣﻮزهﻫﺎي آﺑﺨـﯿﺰ و ﻫﻢﭼﻨﯿﻦ اﯾﺠﺎد ﺧﺴﺎرات ﺟﺒﺮانﻧﺎﭘﺬﯾﺮ ﺑﻪ ﭘﺮوژهﻫﺎي ﻋﻤﺮاﻧﯽ از ﺟﻤﻠﻪ اﻧﺒﺎﺷﺘﻪ ﺷﺪن رﺳﻮﺑﺎت در ﭘﺸﺖ ﺳﺪﻫﺎ و ﮐﺎﻫﺶ ﺣﺠﻢ ﻣﻔﯿﺪ آنﻫﺎ، ﺗﺨﺮﯾﺐ ﺳﺎزهﻫﺎ و ﻏﯿﺮه ﻣﻨﺠﺮ ﻣﯽﺷﻮد. از ﻃﺮف دﯾﮕﺮ، ﺣﻤﻞ رﺳﻮب روي ﺷﺎﺧﺺﻫﺎي ﮐﯿﻔﯿﺖ آب از ﻟﺤﺎظ ﺷﺮب و ﮐﺸﺎورزي ﻧﯿﺰ ﺗﺄﺛﯿﺮﮔﺬار اﺳﺖ. ﻟﺬا ﺑﺮآورد ﺣﺠﻢ و ﻣﻘﺪار ﻧﺰدﯾﮏ ﺑﻪ واﻗﻌﯿﺖرﺳﻮﺑﺎت ﺣﻤﻞ ﺷﺪه در ﭘﺮوژهﻫﺎي آﺑﯽ، آﺑﺨﯿﺰداري و ﺑﻬﺮهﺑﺮداري از ﻣﻨﺎﺑﻊ آب ﻣﻮرد ﻧﯿﺎز اﺳﺖ( 9). تعیین بار رسوبی رودخانه ها مستلزم تهیه داده های آماری و انجام اندازه گیری های میدانی و تهیه اطلاعات پایه ای مرتبط با سامانه رودخانه و حوضه آبریز آن می باشد. همچنین طراحی بهینه و عملکرد مناسب سازه های منابع اب، نظیر مخزن، سد و کانال نیازمند تخمین دقیق از بار رسوبی رودخانه است (10). غلظت رسوب، متغیر بسیار مهمی است که نقش عمده ای در ارزیابی کیفیت منابع آب دارد (11). شبکه عصبی مصنوعی روشی است که بر پایه شبیه سازی عملکرد مغز انسان برای حل مسایل متنوع ارایه و از لایه های نرون ورودی، خروجی و میانی و وزنهای مربوط به مقادیر ورودی و بایاس و تابع تحریک تشکیل شده است. از قایلیتهای شبکه عصبی مصنوعی میتوان به مواردی مانند محاسبه یک تابع معلوم، تقریب یک نگاشت نامعلوم، شناسایی الگو، پردازش سیگنال و یادگیری اشاره کرد(12). از معایب روشهای شبکه عصبی نیز این است ککه تابعی در اختیار قرار نمی دهد که بتوان از آن به صورت صریح استفاده نمود. ﻣﺤﻘﻘﯿﻦ در ﻣﻮرد ﭘﺪﯾﺪه ﻓﺮﺳﺎﯾﺶ و اﻧﺘﻘﺎل رﺳﻮب در ﺳﺎلﻫﺎي اﺧﯿﺮ ﺗﻮاﻧﺴﺘﻪاﻧﺪ ﺑﺎ اﺳﺘﻔﺎده از روشﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﻋﻨﻮان ﯾﮏ اﺑﺰار ﺟﺪﯾﺪ، ﻣﻘﺪار رﺳﻮﺑﺎت ﻣﻌﻠﻖ را ﻣﺤﺎﺳﺒﻪ نموده اند. یوسفی و همکاران طی پژوهشی در استان لرستان با استفاده از شبکه عصبی مصنوعی به براورد میزان رسوب پرداختند و به این نتیجه رسیدند که از بین الگوریتم های موجود، الگوریتم TRAINLM با ضریب همبستگی99/0 R  و 10/0RMSE (ton/day) ، بهترین الگوریتم است(13). همچنین در پژوهشی دیگر آقایان طباطبایی و همکاران  با استفاده از شبکه عصبی مصنوعی و خوشه بندی داده ها به برآورد غلظت رسوب معلق روزانه به این نتیجه رسیدند که استفاده از متغیرهای بارش و دمای روزانه به همراه دبی جریان و تفکیک زمانی داده ها، نقش مهمی در افزایش دقت برآورد رسوب رودخانه داشته است (14). فلامکی و همکاران طی مطالعه ای به  مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی پرداختند و  به این نتیجه رسیدند که مدل های ارائه شده بر پایه شبکه های عصبی با مقادیر رسوب کل مشاهده شده، هم خوانی بیشتری دارند و به ویژه شبکه MLP   میتواند مقدار رسوب را در نقاط پیک به خوبی براورد نماید (15). اکبری و همکاران به برآورد رسوبات معلق سد ایلام با استفاده از مدل درختان تصمیم گیری پرداختند. محققین  به این نتیجه رسیدند که این مدل در مقایسه با روش مرسوم منحنی سنجه رسوب، تطابق بسیار بیشتری با مقادیر اندازه گیری شده داشته است(16). دستورانی و همکاران در مطالعه ای اقدام به  برآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی در حوزه ابخیز جامشیان نمودند. نتایج نشان داد که شبکه عصبی مصنوعی، نتایج قابل قبولی را جهت شبیه سازی بار معلق در ایستگاه حیدر آباد ارائه می کند(17). طلوعی و همکاران به تخمین زمانی و مکانی بار معلق رودخانه آجی چای با استفاده از زمین آمار و شبکه عصبی مصنوعی پرداختند. نتایج نشان داد که،  در تخمین رسوب معلق با استفاده از شبکه عصبی، نشان دهنده مناسب بودن شبکه عصبی و توانایی افزایش کارآیی مدل با استفاده از اطلاعات کلیدی است (18). کیسی و شیری به تخمین میزان رسوب در رودخانه شیوان در تایوان پرداختند. در این پژوهش مدل شبکه عصبی مصنوعی و روش منحنی سنجه رسوب مورد استفاده قرار گرفت. نتایج نشان داد که مدل شبکه عصبی MLP توانست تخمین مناسبی از میزان رسوب با مقدار R برابر 97/0 ارائه دهد (19). حسین و خان¹ در سال 2020 به در پژوهشی جریان ماهیانه رودخانه هونزا واقع در پاکستان² را بر اساس روش های یادگیری ماشینی با ارائه روش های RF³، SVR⁴ و MLP⁵ مدل سازی کردند. نتایج پژوهش آنها نشان داد که رویکرد RF بهترین دقت در مدل سازی جریان را داشته است (20). دو⁶ و همکاران در سال 2020 به ارزیابی روش های موجود برای برآورد دبی رودخانه شایینگ چین⁷ بر اساس روش های شبکه عصبی مصنوعی و رگرسیونی پرداختند. نتایج پژوهش آنها نشان داد که روش پرسپترون چندلایه و پلی نومیال های درجه 3 نسبت به سایر روش های موجود برتری دارند (21).

مطالعات محققین نشان می دهد که بررسی های زیادی در راستای برآورد رسوب و مدلهای شبکه عصبی مصنوعی انجام شده است ولی با استفاده از مدل ⁸LSTM تاکنون پیش بینی میزان رسوب رودخانه مدل سازی نشده است. هدف از ارائه این پژوهش مدلسازی پیش بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM میباشد.

2-روش بررسی

منطقه مورد مطالعه، رودخانه قلعه رودخان به مساحت 2/454 کیلومترمربع می باشد که بین طول های جغرافیایی 49 درجه و 3 دقیقه تا 49 درجه و 25 دقیقه شرقی و عرضهای جغرافیایی 37 تا 37 درجه و 24 دقیقه شمالی واقع شده و از نظر تقسیمات کشوری در استان گیلان و شهرستان های فومن و صومعه سرا قرار می گیرد. مهمترین شاخه های تشکیل دهنده حوزه، دو شاخه ( گشت رودخان) و ( قلعه رودخان) می باشند که رودخانه مورد مطالعه ( قلعه رودخان) از دو شاخه ( حیدرآلات) و ( نظر آلات) به وجود آمده است. این شاخه از ارتفاعات 2652 متر جریان یافته و با عبور از جنگل بررنا و الحاق شاخه های کوچک دیگری به آن، در جهت جنوب به شمال به مسیر خود ادامه می دهد و در نزدیکی فومن دو شاخه اصلی بهم متصل شده و رودخانه پیش رودبار یا شاخزر را به وجود می اورند. طول هر یک از دو شاخه اصلی تا محل الحاق به یکدیگر، بیش از 30 کیلومتر بوده و از این محل تا تالاب نیز حدود 25 کیلومتر می باشد. این رودخانه دائمی و پر آب و از مهمترین رودخانه های حوزه آبریز تالاب انزلی محسوب می گردد ( 22). اطلاعات مورد استفاده در این پژوهش مربوط به دبی رسوب رودخانه قلعه رودخان سال  از شرکت آب منطقه ای استان گیلان اخذ گردیده است.  در جدول 1، خصوصیات رودخانه شامل میانگین دبی و رسوب سال های 80 تا 95 گزارش شده است. بیشترین مقدار دبی طی سالهای مورد مطالعه مربوط به سال 95 با 73/54 مترمکعب و کمترین مقدار دبی برای سال 89 با 49/2 مترمکعب دبی میباشد. همچنین بیشترین مقدار رسوب برای سال 82 یا 63/524 تن بر مترمکعب میباشد که مقادیر رسوب روندی کاهشی داشته است.

 

 

شکل 1: موقعیت منطقه مورد مطالعه

Figure 1: Location of the study area

 

 

جدول 1: خصوصیات کمی دبی رسوب رودخانه قلعه رودخان

Table 1: Quantitative characteristics of sediment discharge of Qaleh Rudkhan river

 

 

3-داده های مورد استفاده

در این تحقیق از آمار دبی ـ رسوب ثبت شده مربوط به دوره آماری سال 1381 تا 1395 استفاده شده است. این آمار شامل دبی لحظه ای روزانه به مترمکعب بر ثانیه و رسوب روزانه لحظه ای به تن در روز است که همزمان اندازه گیری شده اند. متغیرهای تحت بررسی در مدلسازی پیش بینی لازمه ايجاد يک شبکه عصبي مصنوعي، وجود يک سري داده، به منظور مدلسازي در اين شبکه مي باشد. از آنجاکه اين داده ها مبناي کار شبکه مورد مطالعه است، لذا وجود داده هاي با دقت هرچه بيشترمنجر به ايجاد يک شبکه مطمئن تر خواهد گرديد. پارامترهاي در نظر گرفته شده، مقادیر دبی و رسوب رودخانه که براي مدلسازی پیش بینی رسوب قلعه رودخان مورد استفاده قرار مي گيرند. این متغیرها به دودسته از متغیرهای تاثیرگذار دسته بندی می شوند که عبارتند از میزان دبی و رسوب.

4-معرفی شبکه LSTM

معماری شبکه مورد استفاده در پژوهش در فلوچارت زیر(شکل 2) نشان داده شده است.

 

شکل 2: معماری شبکه مورد استفاده در پژوهش حاضر

Figure 2: Network architecture used in the present study

تجسم از ویژگی­های کانوولوشنال (حالت ساختار پیچشی به منظور کمینه کردن پیش‌پردازش‌ها از گونه‌ای از لایه های شبکه استفاده میشود)،  استخراج شده از لایه­های مختلف شبکه LSTM در شکل 3 نشان داده شده است. نقاط آبی و زرد به ترتیب با مقادیر پاسخ کم و زیاد مطابقت دارند.

 

 

شکل3: تجسم از ویژگی­های کانوولوشنال⁹ استخراج شده از لایه­های مختلف شبکه LSTM

Figure 3: Visualization of convolutional features extracted from different layers of the LSTM network

5- مدلسازی با شبکه LSTM

یکی از مسائلی که در روند انتقال اطلاعات در شبکه LSTM با آن روبرو هستیم وجود لایه­های مخفی به علت خاصیت گرادیانی است. LSTM بر اساس اصل حاکم بر خود برای اضافه کردن یک حالت که واحد حافظه C است، می تواند به طور منطقی حفظ وضعیت دراز مدت و انتقال اطلاعات حافظه از موقعیت اولیه دنباله به انتهای دنباله اقدام کند. ساختار خارجی LSTM با ساختار خارجی سایر شبکه­های عصبی مشترک است اما این شبکه دارای ساختار داخلی متفاوت است. 

 

شکل 4: ساختار داخلی و خارجی شبکه LSTM استفاده شده در این پژوهش

Figure 4: Internal and external structure of LSTM network used in this research

C  واحد حافظه­ای است که برای ذخیره اطلاعات طولانی مدت استفاده می­شود و LSTM  چهار سوئیچ را برای کنترل موثر این واحد حافظه C طراحی کرده است.

الف) دروازه فراموشی¹⁰

قدم اول در LSTM تصمیم در مورد اطلاعاتی است که می‌خواهیم آن‌ها را از سلول حالت پاک کنیم. این تصمیم توسط یک لایه سیگموید به نام دروازه فراموشی انجام می‌شود. این دروازه با توجه به مقادیر ht-1 و xt ، برای هر عدد، مقدار صفر یا یک را در سلول حالتِ Ct-1 به خروجی می‌برد. مقدار یک یعنی به صورت کامل مقدار حال حاضر سلول حالت (Ct-1) را به Ct ببر و مقدار صفر یعنی به صورت کامل اطلاعات سلول حالت کنونی (Ct-1) را پاک کن و هیچ مقداری از آن را به Ct نبر. در یک چهارچوب مشخص سیستم یک توالی ورودی x را دریافت می­کند و از آن یک توالی کد شده h تولید می­کند. توالی ورودی برای دبی i در معادله 1 داده شده است.

(1)                                              }  , yTbos ,……………..,xTobs ,y1 ={x1  xi

پارامترهای x و y متغیرهای ورودی در بازه زمانی 1 تا Tbos را مشخص می کند. توالی­های کد شده برای هر دبی i که در اثر ورود پارامترهای ورودی به دست می­آیند در معادله 2 گزارش شده­اند.

(2)                                                                                  h1,……………………….,hT} {  hi=

در نتیجه داریم:

(3) yi=xi.hi

تابعی که در اثر ورود پارامترها در دروازه فراموشی به دست می­آیند در معادله 4 نشان داده شده است.

(4)                                                                                + ) xt * +  ( *  σ  = ft

σ  نشان دهنده تابع فعال سازی است، که معمولا در اینجا سیگموئید است. ماتریس وزن دروازه فراموش کردن را نشان می دهد، ماتریس وزن بین لایه ورودی و لایه پنهان دروازه فراموش شده است،   تکرارهای دروازه فراموش شده را نشان می دهد، در حالی که زیر خط f اولین حرف فراموش شده است، به ترتیب برای افزایش خوانایی تنها مقدار ft خروجی نزدیک به 1 است، اطلاعات بیشتر حفظ می شود و برعکس، نزدیک به 0، رزرو کمتر شده است. بردار محتوا وابسته به زمان را می توان به صورت زیر نشان داد. برای یک مورد کلی،  حالت پنهان رمزگذار در زمان و خروجی رمزگذار در همان زمان برابر با   است.  Ct یک بردار زمینه در زمان t و f تابع رمزگشایی است. خروجی رمزگشایی در زمان t توسط معادله 5 داده می شود.

(5)                                                                                            )  Ct ,      ,    = f(  

با استفاده از بردارهای متمایز زمینه ما قادر به تمرکز مختلف درجه توجه به قسمت های مختلف توالی ورودی، هنگام پیش بینی توالی خروجی. محدوده بردار نرم توجه را می توان به عنوان یک مجموع وزنی از حالت های پنهان محاسبه کرد.

(6)                                                                                                                     =  

پارامتر  که وزن متغیرهای ورودی را نشان می­دهد از رابطه زیر می­توان به دست آورد.

(7)                                                                                                                 = 

(8)                                                                                  ,  )     =   

مدل ارائه شده در دروازه فراموشی یک شبکه عصبی رو به جلو برای آموزش مشترک با سایر اجزای سیستم است.

ب) دروازه ورودی¹¹

قدم بعدی این است که تصمیم بگیریم چه اطلاعات جدیدی را می‌خواهیم در سلول حالت ذخیره کنیم. این تصمیم دو بخشی است. ابتدا یک لایه سیگموید به نام دروازه ورودی (input gate) داریم که تصمیم می‌گیرد چه مقادیری به‌روز خواهند شد. مرحله بعدی یک لایه تانژانت هایپربولیک است که برداری از مقادیر به نام  می‌سازد که می‌توان آن‌ها را به سلول حالت اضافه کرد. در مرحله بعد، ما این دو مرحله را با هم ترکیب می‌کنیم تا مقدار سلول حالت را به‌روز کنیم. در شکل5 نحوه پردازش داده­های داده شده توسط سیستم نشان داده شده است.

 

شکل 5: دروازه ورودی داده ها برای پردازش اطلاعات

Figure 5: Data input gateway for information processing

مدل ارائه شده در مرحله دوم ورود داده­ها در رابطه 9 ارائه شده است.

(9)                                                                                    ( *  + )  σ =  

این رابطه مانند رابطه به دست آمده در مرحله اول است با این تفاوت که این رابطه برای برای فعال کردن تابع σ استفاده می­شود. وزن مدل طراحی شده است تا مفهوم پیش بینی و برآورد میزان رسوب رودخانه قلعه رودخان را در مدل پیش بینی کند. دبی و رسوب رودخانه دارای وزن بالایی است و وزن بالاتر آن، موجب می شود که رسوب تاثیر بالایی بر رودخانه را داشته باشد که این وزن از مدل رابطه 10 به دست می­آید.

(10)                                                                                                                     =  

در این رابطه  نزدیکی هر یک از متغیرهای مورد بررسی با میزان رسوب رودخانه قلعه رودخان است و  وزن هر یک از متغیرهای تاثیرگذار بر میزان رسوب رودخانه قلعه رودخان را ارائه می­کند. این مدل را می­توان برای تولید بردار زمینه برای مدل توجه سخت افزاری توسعه داد.

پ) داده­های منسجم شده در دروازه¹²

حال زمان آن فرا رسیده است که سلول حالت قدیمی یعنی    را سلول حالت جدید یعنی Ct به‌روز کنیم. در مراحل قبلی تصمیم گرفته شد که چه کنیم و در حال حاضر تنها لازم است تصمیماتی را که گرفته شد عملی کنیم. ما مقدار قبلی سلول حالت را در ft ضرب می‌کنیم که یعنی فراموش کردن اطلاعاتی که پیش‌تر تصمیم گرفتیم آن‌ها را فراموش کنیم. سپس it * Ct را به آن اضافه می‌کنیم. در حال حاضر مقادیر جدید سلول حالت با توجه به تصمیماتی که پیش‌تر گرفته شده بود بدست آمده‌اند. مدل به دست آمده در این مرحله در رابطه 11 نشان داده شده است.

(11)                                                                                 )   =tanh (+  

برای به دست آوردن پارامتر  که نقش نزدیک کننده بین دبی و عمل را در پژوهش دارد از رابطه زیر استفاده می­کنیم.

(12)                                                                      = 

سپس یک لایه  ورودی ساده برای ترکیب اطلاعات از تمامی پیش بینی­ها استفاده می­کنیم که اهمیت دبی و رسوب روی بردار محیط ترکیبی را نشان دهد. همچنین تابع فعال سازی توسط tanh جایگزین شده است، که خروجی را به حالت نرمال بین -1 و 1 منتقل می­کند که در رابطه 13 نشان داده شده است.

 (13)                                                                                                                       = * +  

ترکیبی از دروازه ورودی و دروازه منسجم شده یک واحد حافظه جدید را تولید می­کند. دروازه فراموش شده، می تواند کنترل کند که اطلاعات قبلی ذخیره شده است. با توجه به دروازه ورودی، مجددا از حافظه محتوای در حال حاضر بی اهمیت جلوگیری می­کند.

ت) دروازه خروجی¹³

در مرحله نهایی باید تصمیم گرفته شود که چه اطلاعاتی را به خروجی ببریم. این خروجی با در نظر گرفتن مقدار سلول حالت خواهد بود، ولی از فیلتر مشخصی عبور خواهد کرد. در ابتدا، یک لایه سیگموید داریم که تصمیم می‌گیرد چه بخشی از سلول حالت قرار است به خروجی برده شود. سپس مقدار سلول حالت (پس از به‌روز شدن در مراحل قبلی) را به یک لایه تانژانت هایپر بولیک (تا مقادیر بین ۱- و ۱+ باشند) می‌دهیم و مقدار آن را در خروجی لایه سیگموید قبلی ضرب می‌کنیم تا تنها بخش‌هایی که مد نظرمان است به خروجی برود. بخش اول روش انجام مرحله نهایی که شامل به روز رسانی وضعیت داخلی حافظه می باشد در شکل 6 نشان داده شده است.

 

شکل 6: به روز رسانی وضعیت داخلی حافظه مدل

Figure 6: Update the internal state of the model memory

در شکل 7 نشان داده شده است که پس از اتمام به روز رسانی وضعیت داخلی حافظه، حروجی نهایی مدل ارائه می شود. مدل نهایی در رابطه 14 ارائه شده است.

 

شکل 7: تصویر خروجی نهایی مدل

Figure 7: The final output image of the model

(14)                                                                                                 ( *  + ) σ =   

})    ;  { tanh(Wc   =  

) tanh(  *    =  

تابع فعالسازی به دست آمده بر حسب تابع سیگموید می­باشد. تابع  نشان دهنده جریان خروجی و  حافظه بروز شده می باشد. همچنین Wc به عنوان مجموعه­ای از وزن برای پیوند میان میزان رسوب رودخانه قلعه رودخان اشاره می­شود. پیش بینی نهایی میزان رسوب اکنون می­تواند از رابطه 15 محاسبه شود.

(15)                                                                                    )    , LSTM( = 

 

6- تجزیه و تحلیل نتایج

بررسی نتایج کمی

دقت پیش بینی های انجام شده با سه معیار خطا بررسی شد. برای این کار میزان رسوب و دبی در مسیر i  برای  زمان t^th  که با متغیر X_(i .t)^pred  و متغیر X_(i .t)^obs  برای پارامترهای مربوط به رسوب پیش بینی شده می باشد. سه معیار خطای مورد بررسی عبارتند از:

- خطای متوسط پیش بینی (AFE)

مدل مربوط به این خطا در رابطه 16 نشان داده شده است.

(16)                                                                                                   ADFE=                                                                                                                              

 

2- خطای نهایی پیش بینی (FFE)

مدل مربوط به این خطا در رابطه 17 نشان داده شده است.

(17)                                                                                     FFDE=                                                                                           

3- خطای غیرخطی متوط پیش بینی (n-AFE)

مدل مربوط به این خطا در رابطه 18 نشان داده شده است.

(18)                                                                                = n-AFE                                                                                                                               

شاخص هاي آماري براي مدلسازی پارامترهای خروجی از مدل برای هر سه معیار کمی در جدول 1 نشان داده شده است.

جدول 2: شاخص هاي آماري براي مدلسازی پارامترهای خروجی از مدل برای هر سه معیار کمی به دست آمده

Table 1: Statistical indicators for modeling output parameters of the model for all three quantitative criteria

Year	Debi  ()	ROSUB (ton/
81	3.22	4.47
82	5.29	524.63
83	7.28	16.45
84	1.93	2.95
85	2.3	5.03
86	3.84	138.15
87	4.72	38.97
88	14.54	5.65
89	2.49	5.57
90	5.93	347.97
91	6.23	24.07
92	3.39	5.71
93	2.81	2.81
94	6.5	110.65
95	54.73	20.28

معیار	شاخص همبستگی  LSTM	RMSE
AFE	550/1	8905/0
FFE	815/3	9432/0
n-AFE	625/2	90114/0

 

در شکل­های 8، 9 و 10 به ترتیب شاخص­های همبستگی مدل LSTM با معیارهای مربوطه نشان داده شده است.

 

شکل 8: شاخص­های همبستگی مدل LSTM با معیار AFE

Figure 8: Correlation indices of LSTM model with AFE criterion

 

 

شکل 9: شاخص­های همبستگی مدل LSTM با معیار FFE

Figure 9: Correlation indices of LSTM model with FFE criterion

 

 

شکل 10: شاخص­های همبستگی مدل LSTM با معیار n-AFE

Figure 10: Correlation indices of LSTM model with n-AFE criterion

 

7- نتیجه گیری

استفاده از شبکه های یادگیری عمیق به دلیل دارا بودن حجم بالایی از دیتا دارای دقت و کارایی بیشتری نسبت به مدل های دیگر شبکه عصبی مصنوعی می­باشد. در این پژوهش با استفاده از شبکه عصبی مصنوعی LSTM برای مدل سازی پیش بینی میزان رسوب رودخانه در رودخانه قلعه رودخان استفاده شد. به این منظور از داده های دبی رسوب ماهیانه 14 ساله آماری استفاده شده که حدود 20 درصد از داده ها به عنوان داده های آزمون و 80 درصد از داده ها به عنوان آموزش به کار برده شده است. نکته مهم اینست که پیش بینی یک ماه دبی رسوب رودخانه قلعه رودخان برای مدیریت منابع آب استان گیلان از اهمیت بسزایی برخوردار است. به این دلیل که بیشتر اراضی کشاورزی اطراف رودخانه از جریان این رودخانه استفاده میکنند.

در جدول 2 با توجه به میزان RMSE معیارهای ارزیابی  8905/0= AFE با شاخص همبستگی 550/1، 9432/0= FFE با شاخص همبستگی 815/3 و معیار n-AFE با 90114/0 میزان خطا و شاخص همبستگی 625/2، معیار FFE بیشترین همبستگی را میان خروجی مدل و داده های اندازه گیری شده رسوب را داراست. در کل شبکه عصبی مصنوعی LSTM عملکرد خوبی برای پیش بینی دبی رسوب رودخانه قلعه رودخان دارد که میتواند به این دلیل باشد که این روش به صورت خودکار بوده و دقت زیادی در مدل سازی دارد. نتایج این پژوهش با نتایج احمدی و همکاران (23) مبنی بر بهتر بودن مدل انطباق دارد.

همچنین میزان سنجش خطا در مدل lstm استفاده شده نسبت به مقادیر سنجش شده rmse در مدل شببکه عصبی که در پژوهش رضوی زاده و همکاران (24) انجام شده است دارای مقادیر تقریبا یکسانی است که نشان از کارایی و دقت بالای مدل است.

 

8- منابع

[1]. Oliveira N, Cortez P, Areal N. The impact of microblogging data for stock market prediction: Using Twitter to predict returns, volatility, tradingvolume and survey sentiment indices. Expert Systems with Applications, 2017; 73: 125-144.

[2]. Batny N, Golmaee S.H, Zia Tabar Ahmadi M.Kh. 2015. The study of sediment transport and the changes of river bed using Gstars3 Mathematical model (Case study: Gaveh Roud River). J. of Water and Soil Conservation, Vol. 22(1), (in Persian).

[3].Hezbavi, Z., Sadeghi, S.H.R. And Younesi H.A. 2012. Analysis and evaluation of the effectiveness of runoff components from the application of different levels of polyacrylamide. Journal of Soil and Water Resources Protection, 2 (2): 1-14 (in Persian).

[4].Behzadfar, M., Sadeghi, S.H.R., Khanjani, M.J. And Hezbavi, Z. 1391. Influence of runoff production and sediment of soils under freezing-thaw cycle under rain simulation conditions. Journal of Soil and Water Resources Protection, 2 (1): 13-23 (in Persian).

 

[5].Karami, A., Homaee, M., Neyshabouri, M.R., Afzalinia, S. and Basirat, S. 2012. Large scale evaluation of single storm and short/long term erosivity index models. Turkish Journal of Agriculture and Forestry, 36: 207-216.

[6]. Dehghani, A.A., Zanganeh, M.E., Mosaed, A., and Kohestani N. 2009. Comparison of Suspended Sediment Estimation by Artificial Neural Network and Sediment Rating Curve Methods (Case Study: Doogh River in Golestan Province). J. Agric. Sci. Natur. Resour., Vol. 16 (Special issue 1-a), 2009 (in Persian).

[7]. - Ebrahimi Mohammadi, SH., Sadeghi, S.H., and Chapi, K. 2012. Analysis of runoff, suspended sediment and nutrient yield from different tributaries to Zarivar lake in event and base flows. Artery of water and soil protection, second year, first issue, autumn 1 (in Persian).

[8]. Vali, A., Ramesht, M.H., Seif, A., and Ghazavi, R. 2011. Comparison of the efficiency of artificial neural network and regression models for prediction Sediment load during a case study of Samandgan watershed. Journal of Geography and Environmental Planning, Volume 22, Number 44, Issue 4, Winter 2011 (in Persian).

 [9]. Eshghi, P., Farzadmehr, J., Dastoran, M.T., and Arabasadi, Z. 2016. The Effectiveness of Intelligent Models in Estimating the River Suspended Sediments (Case Study: Babaaman Basin, Northern Khorasan). Journal of Watershed Management Research Vol. 7, No. 14, Autumn and Winter 2016 (in Persian).

[10]. Kakaei Lafdani, E.,Moghaddam Nia, A. and Ahmadi, A. 2013. Daily suspended sediment load prediction using artificial neural networks and support vector machines. Hydrology, 478: 50-62.(¬In Persian).

[11]. Khanchoul, K., Altschul, R., and Assassi, F. 2010. Estimating suspended sediment yield , sedimentation controls and impacts in the Mellah Catchment of Northern Algeria. Arab. J. Geosci. 2: 3. 257-271.

[12]. Platt, J. 2000. Fast Training Support Vector Machine Using Sequential Minimal Optimization. http://www.research.microsoft.com/_jplatt. 41-65.

[13]. Yosefi, M., A. Talebi and R. Poorshariaty. 2014. Application of Artificial Intelligence in Water and Soil Sciences. Yazd University publication, Yazd, Iran, 516 pp (In Persian).

[14]. Tabatabaei, M., K. Solaimani, M. Habibnejad Roshan and A. Kavian. 2014. Estimation of Daily Suspended Sediment Concentration Using Artificial Neural Networks and Data Clustering by Self Organizing Map (Case Study: Sierra Hydrometry Station- Karaj Dam Watershed). Journal of Watershed Management, 5: 98-116 (In Persian).

[15]. Falamaki, A., M. Eskandari, A. Baghlani and A. Ahmadi. 2013. Modeling Total Sediment Load in Rivers Using Artificial Neural Networks. Journal of Water and Soil Conservation, 2: 13-26 (¬In Persian).

[16]. Akbari, Z. and A. Talebi. 2010. Estimation of Suspended Sediment Using Regression Decision Trees Method (Case Study Ilam Dam Basin Science and Technology of Agriculture and Natural Resources Journal, 17: 109-121 (In Persian).

[17]. Dastorani, M., Kh. Azimi Fashi, A. Talebi and M. Ekhtesasi. 2012. Suspended Sediment Estimation Using Artificial Neural Network (Case Study: Jamyshan watershed in Kermanshah). Journal of Watershed Management, 3: 61-74 (In Persian).

[18]. Toloei, S., D. Hossenzadeh, M. Ghorbani, A. Fakhrefard and F. salmasi. 2011. Estimate Temporal and Spatial Suspended load river AJICHAI with Use from Geostatistics and Artificial neural Network. Issue Science Water and Soil, 21: 12-25 (In Persian).

[19]. Kisi, O. and Shiri, J. 2012. River Suspended Sediment Estimation by Climate Variables Implication: Comparative Study among Soft Computing Techniques. Computer and Geosciences, 43: 73-82.

[20]. Hussain D, Khan AA. Machine learning techniques for monthly river flow forecasting of Hunza River, Pakistan. Earth Science Informatics, 2020; DOI: 10.1007/s12145-020-00450-z.

[21]. Dou M, Qin C, Li G, Wang C. Research on Calculation Method of Free flow Discharge Based on Artificial Neural Network and Regression Analysis. Flow Measurement and Instrumentation, 2020; 72: 102-123.

[22]. Amiri, E., Naderi Dyzgahi, M.f., and Baygan,A. 2015. Investigation of discharge changes and water quality of Rudkhan Castle. National Association of Architects of Iran. International Conference on Civil Engineering, Architecture and Urban Planning in the Third Millennium. Tehran - July 2015 (In Persian).

[23]. Ahmadi P, Arefee H, Kardan N. 2020. Prediction of average monthly discharge of Karun river using GRU- LSTM combined method. Journal of Echo Hydrology, Volume 7. Issue 3. Fall 1399. Page 633-619.

[24]. Razavizadeh S, Kavian A.A, Vafakhah M. 2014, Estimation of suspended sediment discharge flow using the best network structure Artificial nerve in Taleghan watershed Journal of Agricultural Science and Technology and Natural Resources, Soil and Water Sciences / Year 18 / Issue Sixty-Eight / Summer 1 (In Persian).

 

 

 

 

 

Modeling of Qaleh Rudkhan river sediment rate prediction, using LSTM neural network

 

 Abstract

Proper estimation of the amount of sediment flowing in rivers is important as a data base for many river engineering designs and processes. Qaleh Rudkhan river is one of the most important water basins in the west of Gilan province. The most important branches of the basin are two branches named Gasht Rudkhan and Ghaleh Rudkhan. the river (Qaleh Rudkhan) is made up of two branches (Heydaralat) and (Nazaralat). Therefore, the purpose of this study was to model the prediction of sediment rate in Qaleh Rudkhan River using long short-term memory neural network (LSTM). LSTM artificial neural networks are a special type of recurrent neural networks that have the ability to learn long-term dependencies. All recurrent neural networks are in the form of a repetitive sequence of modules (units) of neural networks. In standard recurrent neural networks, these iterative modules have a simple structure. In this research, the recorded Debi-sediment statistics related to the statistical period of 1381 to 1395 has been used. These statistics include daily instantaneous Debi in cubic meter per second and daily instantaneous sediment in ton per day, which are measured simultaneously. The data used to model the artificial neural network are Debi-sediment valuesThe accuracy of the predictions was evaluated with three error criteria. The three criteria considered are AFE, FFE and n-AFE, respectively. among these criteria, the FFE criterion showed that the correlation between the model output and the measured sediment data is appropriate. As a result, the LSTM model has the appropriate accuracy to predict the amount of sediment in the two rivers of Qala-e-Rudkhan.

 

Keywords: Guilan province, instantaneous sediment, Qaleh Rudkhan river, recurrent neural networks, LSTM

 

 

 

 

 

---

[1]  Hussain & Khan (2020)

[2]  Hunza River,Pakistan

[3]  Random Forest (RF)

[4]  Support Vector Regression (SVR)

[5]  Multi-Layer Perceptron (MLP)

[6]   Dou et al, 2020

[7]  Shaying River,China

[8]  Long Short-Term Memory (LSTM)

[9]  کانوولوشنال: حالت ساختار پیچشی به منظور کمینه کردن پیش‌پردازش‌ها از گونه‌ای از لایه های شبکه استفاده میشود.

[10] . Forgotten Gate

[11] . Input gate

[12] . Candidate Gate

[13] . Output Gate

---