پیش بینی رویدادهای هواشناسی با استفاده از مدل خاکستری بهبود یافته (مطالعه موردی: ایستگاه هوا شناسی استان قزوین)

Subject Areas : Mathematical Engineering

مریم  کریمی خواجه قیاسی ¹ (MSc. Student, Department of Industrial Engineering, Faculty of Industrial and Mechanical Engineering, Qazvin branch, Islamic Azad University, Qazvin, Iran.)
علیرضا  علینژاد ² (Associate Professor, Department of Industrial Engineering, Faculty of Industrial and Mechanical Engineering, Qazvin branch, Islamic Azad University, Qazvin, Iran.)

Received: 2018-01-17 Accepted : 2018-04-21 Published : 2019-06-01

Keywords: پیش بینی, مدل خاکستری, متابولیسم,

Abstract :

 نظریه سیستم خاکستری زمانی استفاده می شود که اطلاعات کافی از جامعه مورد مطالعه در دست نیست. مدل پیش بینی خاکستری مناسب زمانی می باشد که تنوع اطلاعات ثابت و مشخص است. مدل خاکستری می تواند برخی از محاسبات اضافی برای بهبود فعالیت های پیش بینی زمانی که داده ها کافی نیستند به کار رود. با استفاده از مدل خاکستری بهبود یافته، خطای ارزیابی به طور قابل توجهی کاهش می یابد. این مطالعه با استفاده از میانگین حداکثر داده های دمای روزانه جمع آوری شده توسط ایستگاه هواشناسی قزوین از آگوست 2001 تا اوت 2013 انجام شد. یافته ها نشان داد که روش متابولیسم مدل خاکستری می تواند اشتباهات را کاهش داده و دقت پیش بینی میانگین متغیر حداکثر دمای روزانه را بهبود بخشد.

References:

Aliari Shorehdeli, M., Teshnehlab, M., & Khaki Sedigh, A. (2004). Short Term Prediction of Air Pollution via Multilayer Perceptron Neural Networks and Memorable Line of Delay. Essays Collection of the Six Conference on Intelligent Systems. Shahid Bahonar University of Kerman. 139-164.

Balouchian, H. (2014). Modeling & Predicting the Number of Road Accidents. Rahvar Scientific & Propagative Magazine, 11(26) , 115-135.

 Hsu, C. C., & Chen, C. Y. (2003). Applications of improved grey prediction model for power demand forecasting. Energy Conversion and management, 44(14), 2241-2249.

Huang, M., He, Y., & Cen, H. (2007). Predictive analysis on electric-power supply and demand in China. Renewable Energy, 32(7), 1165-1174.

Huang, Y. P., & Yang, H. P. (2004). Using hybrid grey model to achieve revenue assurance of telecommunication companies. Journal of Grey System, 7(1), 38-49.

Javanmard, H. & Faghidian S. F. (2014). Prediction of Raw Oil Price of OPEC via Grey Model of Forecast. Economic Modelling Seasonal, 27,91-114.

Kazemi, A., Modarres, M., & Mehregan M. R. (2011). Prediction of Energy Demand of Transportation Sector using Grey Markov’s Chain Model: Case Study of Iran. Industrial Management, 7,117-132.

Khalili, N., Khodashenas, S. R., Davari, K., & Mousavi Bayegi, M. (2010). Prediction of Daily Rain through artificial Neural Networks. Cast study: Mashhad Synoptic Stations. Watershed Management Researches Magazine, 89, 7-15.

Li, G. D., Yamaguchi, D., & Nagai, M. (2007). A GM (1, 1)–Markov chain combined model with an application to predict the number of Chinese international airlines. Technological Forecasting and Social Change, 74(8), 1465-1481.

Liu, C., Shu, T., Chen, S., Wang, S., Lai, K. K., & Gan, L. (2016). An improved grey neural network model for predicting transportation disruptions. Expert Systems with Applications, 45, 331-340.

Malek, A. M., Dabbaghi, A., Arianejad, M. (2011). Fundamentals of Grey Systems Theory with a review on uncertainty methods, Termeh Publications, Iran. 

Mohammadi, A., & Molaei, N. (2010). Application of Grey Multi- Criteria Decision Making in Assessing Companies’ Performances. Industrial Management Magazine, 2(4), 125-142.

Tongyuan, H., & Yue, W. (2007, December). Forecasting Model of Urban Traffic Accidents Based on Gray Model GM (1, 1). In Digital Media and its Application in Museum & Heritages, Second Workshop on (pp. 438-441). IEEE.

 Tseng, F. M., Yu, H. C., & Tzeng, G. H. (2001). Applied hybrid grey model to forecast seasonal time series. Technological Forecasting and Social Change, 67(2-3), 291-302.