موضوع پیش بینی ، افق زمانی و …

 

فهرست مطالب استخراج شده از این فایل پاورپوینت

فهرست مطالب استخراج شده از این فایل پاورپوینت

● سرفصل درس :
● ۱-۳٫ پیش‌بینی سری‌های زمانی

نوع زبان : فارسی حجم : ۰٫۵۶ مگا بایت
نوع فایل : پاورپوینت تعداد اسلایدها: ۴۷
زمان استخراج مطلب : ۲۰۱۸/۰۷/۱۲ ۰۲:۰۰:۰۰ پسوند فایل : ppsx

لینک دانلود رایگان لینک دانلود کمکی

 

سایر عبارات کلیدی استفاده شده در این فایل ppsx عبارتند از: پیش بینی, مفاهیم بنیادی, افق زمانی, بلند مدت, بینی زمانی, و … .

در صورتی که محتوای فایل ارائه شده با عنوان مطلب سازگار نبود یا مطلب مذکور خلاف قوانین کشور بود لطفا در بخش دیدگاه (در پایین صفحه) به ما اطلاع دهید. جهت جستجوی پاورپوینت های بیشتر بر روی اینجا کلیک کنید.

این مطلب در تاریخ ۲۰۱۸/۰۷/۱۲ ۰۲:۰۰:۰۰ به صورت خودکار استخراج شده است. در صورت اعلام عدم رضایت تهیه کننده ی آن، طبق قوانین سایت از روی وب گاه حذف خواهد شد. همچنین این مطلب برگرفته از وب سایت زیر است و مسئولیت انتشار آن با منبع اصلی است.

http://climatology.ir/wp-content/uploads/2014/08/Chapt01_Time-series-Section-31.ppsx

قسمتی از متن استخراج شده از این فایل ppt

قسمتی از متن استخراج شده از این فایل ppt

بزرگترین بانک فایل های متنی و اسلاید www.docmining.com click to edit master subtitle style ۱ هیدرومتئورولوژی تدوین جواد بذرافشان استادیار دانشکده مهندسی و فناوری کشاورزی دانشگاه تهران ۱ ۱ ۲ سرفصل درس آنالیز، مدل‌سازی و پیش‌بینی سری‌های زمانی هیدرومتئورولوژی تولید داده‌های مصنوعی هیدرومتئورولوژی الگوهای زمانی بارندگی تحلیل رگبار طرح حداکثر بارش محتمل pmp رواناب ذوب برف تبخیر و تعرق خشکسالی کاربرد رادار در مطالعات هیدرومتئورولوژی ۳ ۱ ۳. پیش‌بینی سری‌های زمانی ۱ ۳ ۱. مفاهیم بنیادی ۱ ۳ ۲. مدل‌های پیش‌بینی سری های زمانی ۱ ۳ ۲ ۱. مدل ‌های استوکاستیک ۱ ۳ ۲ ۲. شبکه‌های عصبی مصنوعی artificial neural networks ۱ ۳ ۲ ۳. مدل هیبرید استوکاستیک شبکه عصبی ۱ ۳ ۳. شاخص‌های ارزیابی خطای پیش‌بینی ۱ ۳ ۴. مثال کاربردی ۴ تعریف پیش‌بینی forecasting تخمین شرایط هیدرومتئورولوژیک در یک بازه زمانی خاص در آینده. مثل تخمین رواناب ورودی به سد طی ۳ ماه آتی. پیشگویی prediction نوعی پیش‌بینی است که به زمان خاصی مربوط نمی‌شود یا به صورت احتمال بیان می‌شود. مثل تخمین یک سیلاب ۱ ساله در رودخانه یا احتمال وقوع خشکسالی در یک سال معین. عناصر پیش‌بینی سری‌ زمانی تابع پیش‌بینی forecast function تابعی است ریاضی که بر مبنای مشاهدات یک دوره قبلی تا زمان فعلی t ، ۱ t ، … ، ۳ ، ۲ ، ۱ سری زمانی بدست آمده است. افق زمانی lead time یک دوره زمانی آتی که پیش‌بینی برای آن انجام می‌شود، l ۱ ۲ ۳ …. با افزایش افق زمانی پیش‌بینی عدم قطعیت‌ها افزایش یافته تا جایی که مقادیر پیش‌بینی به پیشگویی نزدیک می‌شود. فاصله اطمینان confidence interval ۱ ۳ ۱. مفاهیم بنیادی ۵ ۱ ۳ ۱. مفاهیم بنیادی شکل عناصر پیش‌بینی سری زمانی ۶ طبقه‌بندی انواع پیش‌بینی‌های هیدرومتئورولوژیک پیش‌بینی بر اساس افق زمانی پیش‌بینی کوتاه مدت short term افق زمانی در حد چند روز به منظور هشدار سیلاب و بهره‌برداری در زمان واقعی از سیستم‌های منابع آب مورد استفاده قرار می‌گیرند. پیش‌بینی بلند مدت long term افق زمانی بیش از یک هفته تا یک سال در مدیریت منابع مانند تخصیص منابع آب برای آبیاری، قراردادهای بلند مدت فروش برقابی و کاهش اثرات خشکسالی از طریق مدیریت آب مورد استفاده قرار می‌گیرند. مقایسه پیش‌بینی‌های کوتاه و بلند مدت پیش بینی‌های کوتاه مدت از دقت بیشتری نسبت به انواع بلند مدت برخوردارند. مدل‌های پیش‌بینی کوتاه مدت، پیچیدگی کمتری نسبت به انواع بلند مدت دارند. پیش‌بینی‌های بلند مدت اهمیت بیشتری در سیستم‌های منابع آب دارند زیرا افزایش اندکی دقت در پیش‌بینی‌های بلند مدت فواید زیادی نظیر تصمیم‌گیری مناسب در زمینه ذخیره و آزاد سازی آب، کاهش خسارات سیل و خشکسالی عاید سیستم می‌سازد. ۱ ۳ ۱. مفاهیم بنیادی ۷ پیش‌بینی بر اساس نوع متغیر پیش‌بینی پیش‌بینی قطعی deterministic یک تخمین نقطه‌ای از یک متغیر. پیش‌بینی احتمالاتی probabilistic یک تابع توزیع احتمال از متغیر مورد نظر را در اختیار قرار می‌دهد. اساس پیش‌بینی احتمالاتی تخمین توزیع احتمال شرطی f y x۱ x۲ … متغیر پیش‌بینی است. مراحل مدلسازی برای انجام پیش‌بینی‌های هیدرومتئورولوژیک انتخاب پیش‌بینی کننده های مناسب انتخاب پیش‌بینی کننده‌های مناسب بستگی به شرایط فیزیکی حاکم بر منطقه یا حوضه و هدف مطالعه دارد. متغیرهایی که به طور معمول در پیش‌بینی‌های هیدرومتئورولوژیک از آنها استفاده می‌شود عبارتند از متغیرهای هواشناسی بارندگی، دمای هوا و خاک، فشار هوا، سمت و سرعت باد، رطوبت هوا متغیرهای هیدرولوژی مقدار رطوبت خاک، ذخیره برف، رواناب سیگنال‌های بزرگ مقیاس اقلیمی enso، nao، sst و … .تاثیر این سیگنال‌ها بر بارش‌ و جریان رودخانه در سال‌های اخیر در ایران مورد بررسی قرار گرفته است. این تاثیر به دو صورت یکی، افزایشی کاهشی و دیگری زمان تاخیر در مدل‌های هیدرومتئورولوژیک وارد شده است. این سیگنا‌ل‌ها در پیش‌بینی‌های بلندمدت هیدرومتئورولوژیک استفاده می‌شوند. ۱ ۳ ۱. مفاهیم بنیادی ۸ تعیین مدل مناسب مدل‌های پیش‌بینی متغیرهای هیدرومتئورولوژیک اغلب به دو دسته آماری statistical و مفهومی conceptual تقسیم شده‌اند. مدل‌های آماری، مدل‌هایی هستند که با استفاده از روابط آماری نگاشتی بین پیش‌بینی کننده‌ها و متغیر پیش‌بینی ایجاد می‌کنند. مدل‌های مفهومی از فیزیک حاکم بر پدیده‌ها برای برقراری رابطه بین متغیرهای پیش‌بینی کننده و پیش‌بینی شونده استفاده می‌کنند. مهمترین مشکل اغلب این مدل‌ها عدم توانایی در انعکاس و شمول رفتار استوکاستیک متغیرهای هیدرولوژیک می‌باشد. در عین حال، در برخی مواقع به کارگیری مدل‌های مفهومی در مدلسازی فرآیندهای غیرخطی هیدرولوژیک موفق‌تر از مدل‌های آماری بوده است. ۱ ۳ ۱. مفاهیم بنیادی ۹ واسنجی مدل model calibration فرآیندی است که طی آن پارامترهای مدل براساس بخشی از اطلاعات مشاهده شده معمولاً ۸ درصد داده‌ها متغیر پیش‌بینی مشخص می‌گردد. اعتبارسنجی مدل model validation عبارت است آزمون مدل بدست آمده از مرحله واسنجی بر مبنای داده‌هایی که در مرحله واسنجی مورد استفاده قرار نگرفته‌اند. این آزمون بر روی ۲ درصد باقیمانده داده‌ها انجام می‌شود. در این مرحله خطای مدل‌ با استفاده از معیارهای مختلفی سنجیده می‌شود که برخی از مهمترین آنها عبارتند از میانگین قدر مطلق درصد خطا mean absolute percentage error mape ۱ ۳ ۱. مفاهیم بنیادی ۹ ۱ میانگین قدر مطلق خطا mean absolute error mae ریشه میانگین مربع خطا root mean squared error rmse ۱ ۳ ۱. مفاهیم بنیادی ۱۱ انواع مدل‌های پیش‌بینی مدل‌های آماری statistical مدل‌های رگرسیون پارامتری ساده، چندگانه، غیرخطی مدل‌های رگرسیون ناپارامتری الگوریتم k نزدیکترین همسایگی مدل‌های استوکاستیک arma، arima، … مدل‌های مفهومی conceptual شبکه عصبی مصنوعی ann سیستم‌های فازی fuzzy systems سیستم‌های نروفازی neuro fuzzy systems الگوریتم ژنتیک genetic algorithm ۱ ۳ ۱. مفاهیم بنیادی ۱۲ قبلا بیان شد که فرم کلی مدل‌های arma p q به صورت زیر است پیش‌بینی مقدار z برای افق زمانی l از رابطه زیر بدست می‌آید ۱ ۳ ۲. مدل های پیش بینی سری های زمانی ۱ ۳ ۲ ۱. مدل های استوکاستیک arma ۱۳ مثال ۳ ۱ فرم یک مدل arma ۱ ۱ به صورت زیر بدست آمده است اگر zt ۱.۴۶۵۶ و t ۱.۳۶۲۲ باشد پیش‌بینی‌های یک گام به جلو را انجام دهید. ۱ ۳ ۲. مدل های پیش بینی سری های زمانی ۱ ۳ ۲ ۱. مدل های استوکاستیک arma lead time ۱ ۲ ۳ ۴ ۵ ۶ ۷ ۸ zt l .۶۸۴۵۲۲ .۵۴۱۱۸۳ .۴۲۷۸۵۹ .۳۳۸۲۶۵ .۲۶۷۴۳۳ .۲۱۱۴۳۲ .۱۶۷۱۵۸ .۱۳۲۱۵۵ ۱۴ ۱ ۳ ۲. مدل های پیش بینی سری های زمانی ۱ ۳ ۲ ۱. مدل های استوکاستیک arma مثال ۳ ۲ فرم یک مدل arma ۱ ۲ به صورت زیر بدست آمده است اگر zt ۱.۴۶۵۶ و t ۱.۳۶۲۲ و t .۹۸ ۱ باشد پیش‌بینی‌های یک گام به …

کلمات کلیدی پرکاربرد در این اسلاید: پیش بینی, مفاهیم بنیادی, افق زمانی, بلند مدت, بینی زمانی,

این فایل پاورپوینت شامل ۴۷  اسلاید و به زبان فارسی و حجم آن ۰٫۵۶ مگا بایت است. نوع قالب فایل ppsx بوده که با این لینک قابل دانلود است. این مطلب برگرفته از سایت زیر است و مسئولیت انتشار آن با منبع اصلی می باشد که در تاریخ ۲۰۱۸/۰۷/۱۲ ۰۲:۰۰:۰۰ استخراج شده است.

http://climatology.ir/wp-content/uploads/2014/08/Chapt01_Time-series-Section-31.ppsx

  • جهت آموزش های پاورپوینت بر روی اینجا کلیک کنید.
  • جهت دانلود رایگان قالب های حرفه ای پاورپوینت بر روی اینجا کلیک کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *