واکاوی کارایی روش های مبتنی بر شبکه های عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش بینی کشند

پیش بینی تغییرات کشند، به دلیل اهمیتی که در برنامه ریزی های ناوگان دریایی و نظامی، حمل و نقل و کشتیرانی، طراحی بنادر و سایر مسایل مرتبط با امور دریا دارد؛ از دیرباز مورد توجه بوده است. هدف این مطالعه بررسی عملکرد مدل های شبکه های عصبی پیش خور با 3 الگوریتم یادگیری کاهش شیب، شیب مزدوج و لونبرگ-مارکوارد در پیش بینی ساعتی تغییرات کشند است. به علاوه در تحقیق حاضر، نتایج حاصل از مدل رگرسیون خطی چندمتغیره نیز مد نظر قرار گرفته است. برای این منظور داده هایساعتی مشاهداتی ایستگاه ساحلی خلیج چابهار در دریای عمان و ایستگاه های جزیره کیش و بندر امام خمینی(ره) در سواحل شمالی خلیج فارس در یک بازه 90 روزه مورد استفاده قرار گرفته اند. به منظور تعیین مقدار وقفه مناسب در مدل سازی زمانمند، شیوه خودهمبستگی جزئی به کار گرفته شده است. نتایج ارزیابی مدل ها بر اساس شاخص های ریشه میانگین مجذور خطا و درصد مطلق خطا حاکی از آن است که مدل شبکه عصبی مبتنی بر الگوریتم لونبرگ-مارکوارد بالاترین دقت را در پیش بینی تغییرات کشند در هر 3 ایستگاه مطالعاتی دارا است. این الگوریتم به طور متوسط به میزان 22، 4 و2 درصد دقت پیش بینی های مدل های رگرسیون خطی چندمتغیره، الگوریتم کاهش شیب و شیب مزدوج را بهبود بخشیده است. در نهایت تحلیل خطای مربوط به مجموع باقیمانده ها، بیش پیش بین بودن مدل های شبکه عصبی در ایستگاه های جزیره کیش و بندر امام خمینی(ره) و کم پیش بین بودن آن ها را در ایستگاه خلیج چابهار را آشکار می سازد.