ARTÍCULO EN PRENSA

Ingeniería de aplicaciones de arti fi cial Inteligencia 23 (2010) 586-594

listas de contenidos ofrecidos en ScienceDirect

Ingeniería de Aplicaciones de la Inteligencia Arti fi ciales

revista Página de inicio: www.elsevier.com/locate/engappai

Una red neural híbrido y modelo ARIMA para la calidad del agua de predicción de series de tiempo

Durdu Ö mer Faruk

Recursos de Agua del Centro de Investigación de la Universidad Adnan Menderes, Ayd yo n, Turquía

información del artículo abstracto

Historia del artículo: Las predicciones exactas de series temporales de datos han motivado a los investigadores a desarrollar modelos innovadores para la gestión
Recibido el 22 de marzo de 2009 de los recursos hídricos. series temporales de datos contienen a menudo tanto los patrones lineales y no lineales. Por lo tanto, ni ARIMA ni
recibida en forma 28 de agosto de
redes neuronales pueden ser adecuados para modelar y predecir los datos de series de tiempo. El modelo ARIMA no puede lidiar con
2009 revisada
relaciones no lineales, mientras que el modelo de red neuronal por sí sola no es capaz de manejar ambos modelos lineales y no lineales igual
Aceptado el 3 de de septiembre de 2009 On-línea
de bien. En el presente estudio, un híbrido ARIMA y el modelo de red neuronal se propone que es capaz de aprovechar los puntos fuertes de
del 28 de octubre de 2009
las series de tiempo los enfoques tradicionales y arti fi ciales redes neuronales. El enfoque propuesto se compone de una metodología ARIMA
palabras clave:
y de alimentación hacia adelante, estructura de la red de retropropagación con un algoritmo de entrenamiento conjugado optimizado.
Las redes neuronales
backpropagation ARIMA

modelo híbrido de series

temporales
uy ¨uk Menderes río, Turquía. Específicamente, los resultados del modelo híbrido proporcionar una
robusto marco de modelado capaz de capturar la naturaleza no lineal de la serie histórica compleja y por lo tanto la producción de predicciones
más precisas. Los coe fi cientes de correlación entre el modelo híbrido predijeron valores y los datos observados para el boro, oxígeno disuelto
y la temperatura del agua son 0,902, 0,893, y 0,909, respectivamente, que son satisfactorios en las solicitudes de modelos comunes. Predichos
datos de calidad del agua desde el modelo híbrido se comparan con los de la metodología ARIMA y la arquitectura de redes neuronales
utilizando las medidas de precisión. Debido a su capacidad para reconocer los patrones de series de tiempo y características no lineales, el
modelo híbrido ofrece una precisión mucho mejor sobre el ARIMA y modelos de redes neuronales para las predicciones de calidad del agua.

y 2009 Elsevier Ltd. Todos los derechos reservados.

1. Introducción donde los modelos autorregresivos no lineales (NARX) y arti fi cial redes neuronales (RNAs) se han
aplicado para la predicción del medio ambiente. Zhang y Hu (1998) resumido las diferentes

La calidad del agua es un tema de preocupación constante. El deterioro de la calidad del agua aplicaciones de las redes neuronales para las predicciones. Hay una serie de estudios en los que las

ha iniciado esfuerzos de gestión de graves en muchos países. La mayoría de las decisiones redes neuronales se utilizan para problemas de recursos hídricos dirección. Maier y Dandy (2000) revisados

relacionadas con el agua y ecológicos aceptables son difíciles de hacer sin cuidado modelado, ​los documentos recientes sobre el uso de modelos de redes neuronales para la predicción y

predicción y análisis de la calidad del agua del río para escenarios de desarrollo típico. Las pronóstico de las variables de los recursos hídricos. Inundaciones y Kartam (1994) , Hassoun (1995) y

predicciones exactas de los fenómenos futuros son el alma de la gestión óptima de los recursos Rojas (1996) tener redes feedforward usadas con funciones de transferencia de tipo sigmoidal para

hídricos en una cuenca. la ciencia y la estadística de ordenador han mejorado modelización para la predicción y pronóstico de las variables de los recursos hídricos. Chau (2006) ha revisado el

descubrir los patrones encontrados en los recursos hídricos de datos de series de tiempo. Mucho desarrollo y el progreso actual de la integración de la inteligencia arti fi cial en la modelización de la

esfuerzo se ha dedicado en los últimos decenios para el desarrollo y mejora de los modelos de calidad del agua.

predicción de series de tiempo. Uno de los modelos más importantes y ampliamente utilizado series
de tiempo es el modelo autorregresivo integrado media (ARIMA) en movimiento ( Shahwan y Odening
de 2007 ).
Hatzikos et al. (2005) redes neuronales utilizados con neuronas activas como una herramienta de
modelado para la predicción de los indicadores de calidad de agua de mar como la temperatura del
agua, pH, oxígeno disuelto (OD) y turbidez. Palani et al. (2008) demostrado la aplicación de RNAs

En los últimos años, los modelos no lineales han sido propuestos como técnicas alternativas, para modelar los valores de las variables de calidad de agua de mar seleccionados, teniendo la

como por ejemplo en Pisoni et al. (2009) , dinámica y procesos complejos ocultos en los propios datos monitorizados.

La mayoría de los estudios informaron anteriormente eran simples aplicaciones de la utilización de

Tel .: +90 256 7727022.
Dirección de correo electrónico: odurdu@adu.edu.tr series de tiempo tradicionales enfoques y las RNA. Mucho de

0952-1976 / $ - see front matter y 2009 Elsevier Ltd. Todos los derechos reservados. doi: 10.1016 /
j.engappai.2009.09.015
 ARTÍCULO EN PRENSA
D. Omer Faruk / Aplicaciones de Ingeniería de arti fi ciales Inteligencia 23 (2010) 586-594
series de tiempo de la vida real son extremadamente complejos para ser modelado utilizando simples
se acerca especialmente cuando se requiere una gran precisión. Se han realizado varios estudios
que sugieren los modelos híbridos, que combinan el modelo ARIMA y redes neuronales. Su et al.
(1997) se utiliza un modelo híbrido para predecir una serie temporal de datos de fiabilidad con la
tendencia de crecimiento. Sus resultados mostraron que el modelo híbrido produce mejores
predicciones que ya sea el modelo ARIMA o la red neural por sí mismo. Zhang (2003) propuesto un
híbrido ARIMA y ANN modelo para tomar ventaja de las dos técnicas y aplicado el modelo híbrido
propuesto para algunos conjuntos de datos reales. Llegó a la conclusión de que el modelo
combinado puede ser una forma eficaz de mejorar las predicciones obtenidos por cualquiera de los
modelos utilizados por separado. Jain y Kumar (2006) propuesto un enfoque híbrido para el
pronóstico de series de tiempo usando fl flujo mensual de flujo de datos en el río Colorado. Indicaron
que el enfoque de la combinación de los puntos fuertes de las técnicas convencionales y Ann
proporciona un marco de modelado robusto capaz de capturar la naturaleza no lineal de la serie de
tiempo complejo y produciendo así pronósticos más precisos.
En el presente trabajo, un enfoque híbrido, que combina modelo ARIMA estacional y el modelo
de retropropagación red neural, está desarrollado para predecir series temporales de datos de
calidad del agua. El uso de modelos combinados en los datos de series de tiempo la calidad del agua
podría ser complementario en la captura de patrones de conjuntos de datos y podría mejorar la
precisión de la predicción. La motivación detrás de este enfoque híbrido se debe en gran parte al
hecho de que un problema de la calidad del agua es a menudo de naturaleza compleja y cualquier
modelo individual puede no ser capaz de capturar diferentes patrones igualmente bien. Los objetivos
del presente estudio son: (1) el desarrollo de un modelo híbrido, una RNA y un modelo ARIMA, para
predecir series temporales de datos de calidad del agua,
2. Materiales y métodos
2.1. datos de calidad del agua y del área de estudio
El b uy ¨uk cuenca Menderes, 3,2% de la superficie total de la
país, está situado en el suroeste de Turquía y drena un área total de
25.000 kilometros 2 en el Mar Egeo ( Figura 1 ). La precipitación anual oscila entre 350 y 1000 mm y la
evaporación anual media total, medida por sartenes de clase A, es 2,122 mm. La precipitación ocurre
Figura 1. Modelo de Elevación Digital (DEM) de la B ¨ uy ¨cuenca del Reino Unido y la ubicación de Menderes
el lugar de medición utilizado en este estudio.
587
sobre todo en los inviernos, mientras que durante el período de riego verano, hay muy poca lluvia. El
principal río de la cuenca es el B ¨ uy ¨ Reino Unido
río Menderes. El uso de la tierra en el B ¨ uy ¨cuenca del río Menderes es uk
como sigue: 40% agricultura, 45% bosque y monte bajo, 10% prado y pastos, 3% vacío, la solución
de 1%, agua de la superficie 1%. La economía agrícola de la cuenca depende del cultivo de algodón
de regadío, maíz, fi g y aceitunas. población total de la cuenca es de 2,5 millones de dólares. El río
durante su curso de alrededor de 584 kilometros recibe la carga de contaminación tanto de las
fuentes puntuales y no puntuales. Se recibe la escorrentía agrícola de su gran área de captación
directa o a través de sus afluentes y desagües de aguas residuales. La disminución de la calidad del
agua en el B ¨
uy ¨ río Menderes Reino Unido se ha traducido
en los impactos negativos en los peces, la vida silvestre, la vida acuática. Las aguas costeras del mar
Egeo han estado plagados de floraciones de algas, lo que mata peces y condiciones desagradables
para el turismo ( Durdu de 2007 ). En el presente estudio, la Ayd yo n lugar de medición fue
seleccionado para el análisis ( Figura 1 ). El conjunto de datos de un lugar de medición, que
comprende tres parámetros de calidad de agua se controla más de 9 años (1996-2004), se midió por
el Hydraulic Works Estado (DSI),
la Dirección General de Energía Eléctrica
Recursos, Estudio y Desarrollo de la Administración, Dirección General de Servicios Rural y
municipios. Los parámetros de calidad del agua seleccionados incluyen la temperatura del agua, el
boro (Br) y oxígeno disuelto (OD). Los datos de estos parámetros disponibles para el análisis son
sobre una base mensual para el período de nueve años, de 1996 a 2004. En este estudio, los
primeros 72 meses de datos de calidad del agua para el boro, oxígeno disuelto y temperatura del
agua fueron utilizados para el entrenamiento del modelo . Los restantes 36 meses de datos de la
calidad del agua se utilizaron para la verificación de los resultados de la predicción del modelo. Las
propiedades estadísticas de los datos de series de tiempo la calidad del agua se demuestran en tabla
1 . El mínimo, máximo, media, desviación estándar (SD), asimetría y curtosis puede describir la
variabilidad de un parámetro de calidad del agua. Como se describe en tabla 1 , Temperatura del agua
y el pH son las variables de calidad del agua que tienen coeficientes bajos coef fi asimetría. El
oxígeno disuelto tiene una gran asimetría coeficiente y esto indica que los valores medios y la
mediana de oxígeno disuelto tienen grandes diferencias. Es probable que la media de conjunto de
datos oxígeno disuelto está fuertemente influenciada por la presencia de unos valores extremos.
2.2. enfoque de modelización ARIMA
En una autorregresivo integrado modelo de media (ARIMA) que se mueve, el valor futuro de una
variable se supone que es una función lineal de varias observaciones pasadas y errores aleatorios.
Un modelo ARIMA puede ser explicado como ARIMA ( pag, re, q) (P, RE, Q) s, dónde ( pag, re, q) es la
parte no estacional del modelo y ( PAG, RE, Q) s es la parte estacional del modelo ( Box et al., 1991 ),
Que se menciona a continuación
j pag re si Þ F PAG re si s Þ r re srzret ¼ y q re si Þ Y Q re si s Þ una t re 1 Þ
dónde pag es del orden de autorregresión no estacional, re es el número de diferenciación regular, q es
del orden de MA no estacional,
PAG es del orden de autorregresión estacional, re es el número de diferenciación estacional, Q es
del orden de MA estacional, s es la longitud de la temporada (periodicidad), j es el operador de AR
de orden p, ^ es el parámetro RA estacional de orden PAG, r re es el operador de diferenciación,
tabla 1
propiedades estadísticas de los parámetros de calidad del agua.
parámetros Max Min Media Desv. Prog. asimetría curtosis
Temperatura de agua ( 1 C) 32,2 7,2 18,81 8,01 0.10 1.401
Boro (mg l 1) 0,6 0 0,207 0,139 0.10 0,074
DO (mg l 1) 9.3 6.1 8.2 2.40 1.82 0,169
 ARTÍCULO EN PRENSA
588 D. Omer Faruk / Aplicaciones de Ingeniería de arti fi ciales Inteligencia 23 (2010) 586-594
r res es el operador de diferenciación estacional, z t es el valor observado en el punto de tiempo t, y es
el operador de MA de orden q, Y es el parámetro MA estacional de orden Q y una t es la componente
de ruido de la modelo estocástico supone que es NID (0, s 2).
El enfoque de modelización ARIMA implica los siguientes tres pasos: modelo de identificación,
de estimación de parámetros, comprobación de diagnóstico. La identificación de la forma general de
un modelo incluye dos etapas: (1) si es necesario, adecuado diferenciación de la serie se lleva a
cabo para lograr estacionaria y la normalidad; (2) la estructura de correlación temporal de los datos
transformados es identificado por el examen de su autocorrelación (ACF) y las funciones de
autocorrelación parcial (FAP) ( Mishra y Desai, 2005 ). El ACF es una herramienta estadística útil que
las medidas si los valores anteriores de la serie tienen alguna relación con los valores posteriores.
PACF es la cantidad de correlación entre una variable y un desfase de sí mismo que no se explica
por correlaciones en todos los retardos de bajo orden. Teniendo en cuenta los gráficos FAS y FAP de
serie de concentración calidad del agua, diferentes modelos ARIMA son identi fi ed a la selección del
modelo. El modelo que da el mínimo criterio de información de Akaike (AIC) es seleccionado como el
mejor modelo fi cio. La formulación matemática para la AIC se desarrolla como
AIC ¼ norte re En Ðð 2 pag RSS Þ = norte thth 1 thth 2 metro
dónde m = (p + q + P + Q) es el número de términos en el modelo estimado y RSS denota la suma de
los residuos al cuadrado.
Después de las funciones del modelo ARIMA han sido especi fi cado, se deben estimar los
parámetros de estas funciones. Una vez que se elige un modelo apropiado y se estiman sus
parámetros, la metodología de Box-Jenkins requiere el examen de los residuos del modelo para
verificar que el modelo es uno adecuado para la serie. Varias pruebas se emplean para la
comprobación de diagnóstico para determinar si los residuos de los modelos ARIMA seleccionadas
de los gráficos de FAS y FAP son independientes, homoscedastic y normalmente distribuido. Si no
se proporcionan los supuestos de normalidad y homocedasticidad, las observaciones se transforman
por una transformación de Box-Cox ( Wei, 1990 ). Para un buen modelo de predicción, los residuos,
que queda después de fi tting el modelo, debe satisfacer los requisitos de un proceso de ruido blanco
(sin correlación y normalmente distribuido alrededor de una media de cero). Con el fin de determinar
si la serie de tiempo la calidad del agua son independientes, se estudia la función de autocorrelación
residual (RACF) de la serie. Hay varias pruebas útiles relacionados con RACF para la independencia
de los residuos. La primera de ellas es la correlograms dibujados por el trazado de la función ACF
residual contra el número lag. Si el modelo ARIMA es correcta, las autocorrelaciones estimadas de
los residuos no están correlacionados y distribuido aproximadamente normal alrededor de cero. El
segundo es la estadística de Ljung-Box-Pierce. Con el fin de probar la hipótesis nula de que un
conjunto actual de autocorrelaciones es ruido blanco, Q (r) prueba) para probar la adecuación del
modelo. Q (r) valores se comparan con un valor de ensayo crítico ( w 2) de distribución con respectivo
grado de libertad en un nivel significativo fi 5%. El tercero es el periodograma acumulado, empleada
para diagnosticar los residuos de una secuencia de ruido blanco. Al modelar estacional línea de
series de tiempo el uno en el presente estudio, las características periódicas de la serie de tiempo de
concentración calidad del agua no pueden tenerse en cuenta, por lo tanto, las periodicidades en los
residuos deben ser investigadas ( El-Din y Smith, 2002 ).
2.3. Estructura del modelo de red neuronal
Entre muchas arquitecturas de redes neuronales, la red de propagación inversa de tres
layerfeedforward es el más comúnmente utilizado ( Haykin, 1999 ). Esta arquitectura de red consta de
una capa oculta de neuronas con funciones de transferencia no lineales y una
Feed-hacia adelante
j yo t
W Ji W eso
X1 norte 1 y1
X2 norte 2 y2
X norte norte S yL
capa de entrada capa oculta capa de salida
re 2 Þ
la propagación de errores
Figura 2. Una red neural de retropropagación de alimentación hacia adelante de tres capas.
capa de salida de las neuronas lineales con funciones de transferencia lineales. Un diagrama
esquemático de la red de retropropagación se da en Figura 2 , dónde X j ( j = 1,
, NORTE) representa las variables de entrada; norte yo ( i = 1, Y, S)
representa las salidas de las neuronas en la capa oculta y y t
( t = 1, Y, L) representa las salidas de la red neural. Una red neural debe ser entrenado para determinar
los valores de los pesos que producirán las salidas correctas. En una etapa de formación, un
conjunto de datos de entrada se utiliza para el entrenamiento y presentada a la red muchas veces. El
rendimiento de la red se prueba después de la etapa de formación se detuvo. El algoritmo de
backpropagation ajusta los pesos en la dirección del descenso más agudo (negativos del gradiente).
Esta es la dirección en la que la función de rendimiento está disminuyendo más rápidamente. Resulta
que aunque la función disminuye más rápidamente a lo largo del negativo de la pendiente,
esto no produce necesariamente el más rápido
convergencia. Por lo tanto, el algoritmo básico de formación de descenso de gradiente es ine fi ciente
debido a su velocidad de convergencia lenta y en ocasiones la poca precisión de las predicciones del
modelo ( Huang et al., 2004 ). Desde el punto de vista de la optimización, entrenamiento de una red
neuronal puede ser considerado como equivalente a minimizar una función de error global
multivariable de los pesos de la red. Existen varios algoritmos de entrenamiento optimizados, como
se describe por
Haykin (1999) , Como backpropagation elástico, de Levenberg-Marquardt y backpropagation
gradiente conjugado. Uno de los métodos desarrollados por optimizados Moller (1993) es el gradiente
conjugado escalado (SCG) algoritmo. El algoritmo de entrenamiento SCG fue desarrollado para
evitar la búsqueda de línea de tiempo. En el conjugado gradiente algoritmo de búsqueda se lleva a
cabo a lo largo de direcciones conjugadas, lo que produce una convergencia más rápida de lo más
empinadas direcciones de descenso. El algoritmo de backpropagation estándar, tradicionalmente
empleado en el aprendizaje de la red neural, evalúa el gradiente de la función de error global con
respecto a los pesos, f (W k), en cada iteración k, y actualiza los pesos de acuerdo con
W k þ 1 ¼ W k una k r F re W k Þ re 3 Þ
El tamaño del paso una k 4 0 es un parámetro de tasa de aprendizaje seleccionado por el usuario, lo
que afecta el rendimiento del algoritmo de aprendizaje en gran medida. En todos los casos, el algoritmo de
propagación hacia atrás puede seguir una
 ARTÍCULO EN PRENSA

D. Omer Faruk / Aplicaciones de Ingeniería de arti fi ciales Inteligencia 23 (2010) 586-594 589

camino en zigzag al mínimo, típico de un método más pronunciada pendiente de descenso ( Falas y
Stafylopatis de 2005 ). Un conjugado gradiente algoritmo evita el enfoque zigzag hasta el punto
mínimo mediante la incorporación de una relación especial entre la dirección y el vector de gradiente
en cada iteración. Si re k representa el vector de dirección en la iteración k del algoritmo, entonces el
vector de peso se actualiza de acuerdo a la regla
de datos. Por lo tanto, un modelo híbrido que tiene tanto la capacidad de modelización lineal y no
lineal podría ser una buena alternativa para la predicción de los datos de calidad del agua. Mediante
la combinación de diferentes modelos, diferentes aspectos de los patrones subyacentes pueden ser
capturados. Siguiendo la estructura modelo híbrido de Zhang (2003) , Una serie de tiempo la calidad
del agua podría estar compuesto de una estructura de autocorrelación lineal y un componente no
lineal. Es decir,

Wkþ1¼ Wk þ una k re k re 4 Þ yt¼ Ltþ St re 5 Þ

Dados los valores de W k y re k, unos valores particulares de una k que reducen la función objetivo
tanto como las posibles necesidades que se pueden encontrar. Después de un pequeño número de
iteraciones, la búsqueda a lo largo de la dirección de la línea para hallar el tamaño óptimo paso para
el mínimo real deben dejar. Estimar el tamaño óptimo paso con el algoritmo de instrucción ajustada a
escala de gradiente conjugado (SCG) aumenta la velocidad de aprendizaje y elimina la dependencia
de los parámetros críticos seleccionados por el usuario. La idea principal detrás del algoritmo es el
uso de un factor r que se eleva o se baja dentro de cada iteración durante la ejecución del algoritmo,
mirando a la señal de la cantidad
re k, que revela si la matriz de Hesse no es positivo noche de fi. Un algoritmo breve de SCG en la red
neural se da como sigue ( Falas y Stafylopatis de 2005 ).
1. Inicialización: En k = 0, elegir un vector de peso inicial W O,
y establecer el vector de dirección inicial al vector gradiente negativo re o ¼ sol o ¼?
Conjunto los escalares 0 o
10 4; 0 o r o r 10 6; r O, establecer el boolean éxito = true.
2. Si el éxito = true, a continuación, calcular una segunda información de orden:
dónde L t representa la componente lineal y S t representa el componente no lineal. Ambos de estos
dos parámetros tienen que ser estimado a partir de los datos de series de tiempo. En primer modelo
ARIMA se utiliza para capturar el componente lineal, entonces los residuos del modelo lineal
contendrán solamente la relación no lineal. los residuos
mi t en el momento t a partir del modelo lineal se define por
mi t ¼ y t L^ t re 6 Þ
donde ^ L t es el valor predicho del modelo ARIMA en el momento t. La comprobación de diagnóstico
de los residuos es importante para determinar la adecuación de los modelos ARIMA. Un modelo
ARIMA no es su fi ciente no es adecuada si todavía hay estructuras de correlación lineal que quedan
en los residuos. Sin embargo, verificación de diagnóstico de los residuos no es capaz de detectar
cualquier patrón no lineal en los datos de series de tiempo. Por esta razón, incluso si los residuos
pasan la comprobación de diagnóstico y el modelo es un uno adecuado, el modelo puede ser que no
sea su fi ciente en que las relaciones no lineales no han sido modelados adecuadamente. Por lo
r F re W o TH: tanto, los residuos se pueden modelar mediante el uso de las redes neuronales para descubrir
so relaciones no lineales. Con norte nodos de entrada, el modelo ANN para los residuos serán

s k ¼ s = 9 re k 9, S k ¼ Ð r F re W k þ s k re k Th? r F re W k thth = s k, re k ¼ transponer

re re k thth S k mi t ¼ F re mi t 1; mi t 2; ::::; mi t N thth mi t re 7 Þ

3. Escala re k: re k ¼ re k THD r k r k Þ 9 re k 9 2, mirar el signo de re k para cada Dónde F es una función no lineal determinada por la red neuronal y mi t es el error aleatorio.
iteración de ajuste r k. Si re k r 0 entonces r k y S k se estima de nuevo.
Finalmente la predicción combinada será

4. Si re k r 0 entonces crea el grupo de acción positiva fi nida

y^ t ¼ ^ L t þ ^ S t re 8 Þ
r k ¼ 2 re r k re k = re k 9 2 Þ; re k ¼? re k þ r k re k 9 2; r k ¼ r k
donde ^ S t representa la predicción de la ecuación. (7).
5. Calcular el tamaño de paso: X k ¼ transponer re re k Þ sol k; una k ¼ X k = re k,
los valores de r k escalar directamente el tamaño del paso en el camino, que cuanto más grande r k, cuanto
2.5. Modelo verificación métodos de cationes fi y la comparación
menor es el tamaño de paso.

6. Calcular el parámetro de comparación C k: C k ¼ 2 re k si F re W k Th?

Tres medidas de consistencia pronóstico diferentes se utilizan con el fin de comparar los
F re W k þ una k re k THC = D X k Þ 2 resultados de obtenidos ARIMA y arti fi cial de redes neuronales (ANN): La raíz del error cuadrático
7. El peso y la actualización de dirección: Si C k Z 0, entonces una actualización correcta se puede medio (RMSE), el error porcentual absoluto medio (MAPE) y el Nash-Sutcliffe coeficiente de e fi

hacer: W k þ 1 ¼ W k þ una k re k; sol k þ 1 ¼? r F re W k þ 1 Þ; ciencia (NSC ).

r k ¼ 0; éxito ¼ cierto. Si k modificación N = 0 algoritmo luego reiniciar con

vuut ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi

re k þ 1 ¼ sol k þ 1 más si k ¼ Ð 9 sol k þ 1 9 2 sol k þ 1T sol k Þ = X k; re k þ 1 1 X norte

RMSE ¼ re PAG yo O yo Þ 2 re 9 Þ
¼ sol k þ 1 þ si k re k. Si C k Z 0:75 luego reducir el parámetro de escala a r k ¼ 1 4 r k más r k ¼ r k; éxito ¼ falso. norte
yo ¼ 1

dónde PAG yo y O yo son las temperaturas del agua semanales predichos y observados,
8. Si C k Z Doce y veinticinco a continuación, aumentar el parámetro de escala a r k ¼ rk þ
respectivamente, y norte es el número de datos. El segundo criterio es la media de error porcentaje
re k re 1 C k Þ = 9 re k 9 2. absoluto (MAPE), que se define como
9. Repetición: Si la dirección de máxima pendiente sol k una 0; k conjunto
¼ k þ 1 y volver al paso 2 y terminar otra vuelta W k + 1
X norte PAG yo O yo
como el mínimo deseado. MAPE ¼ 1 100 re 10 Þ
norte PAG yo
yo ¼ 1

2.4. modelo híbrido El tercer criterio es la Nash-Sutcliffe coeficiente de e fi ciencia (NSC) ( Nash y Sutcliffe, 1970 ),
cual es o 1 (igual a 1 cuando

El comportamiento de los datos de calidad del agua no puede ser fácilmente capturado por los P = 0), y se define como ( Benyahya et al., 2007 )
PAG norte
modelos independientes porque los datos de series de tiempo la calidad del agua podrían incluir una
yo ¼ 1 re PAG yo O yo Þ 2
variedad de características tales como la estacionalidad, heteroscedasticidad o un error no NSC ¼ 1 PAG norte re 11 Þ
yo ¼ 1 re OO yo Þ 2
gaussiana. La aproximación de los modelos ARIMA a problemas complejos no lineales puede no ser
adecuada. Por otro lado, el uso de las redes neuronales para modelar lineal problemas han dado dónde O es el promedio de los parámetros observados mensuales de calidad del agua. diagramas de
resultados insatisfactorios. Zhang (2003) dispersión y diagramas de series de tiempo se utilizan para la comparación visual de los valores
observados y los predichos. NSC valores de cero, uno y negativos indican que la media observada
indicó que no es aconsejable aplicar las RNA ciegamente a cualquier tipo tan buen
 ARTÍCULO EN PRENSA

590 D. Omer Faruk / Aplicaciones de Ingeniería de arti fi ciales Inteligencia 23 (2010) 586-594

Tabla 2
Resumen de los parámetros estadísticos de la mejor fi tted multiplicativo modelos ARIMA fi tted a los parámetros de calidad del agua.

parámetros Modelo F1 y1 F1 Y1 Q w 2 ( 95%) AIC

Temperatura de agua ( 1 C) (1.1.1) (0.0.1) 12 0,639 0,062 - 0,584 27.01 32.67 478
Boro (mg l 1) (1.0.1) (0.1.1) 12 0,677 0,458 - 0,843 29.64 32.67 126,3
DO (mg l 1) (1.1.0) (1.0.0) 12 0,017 - 0,428 - 31.28 32.67 192,1

predictor como el modelo, un perfecto fi t y un mejor predictor que el modelo, respectivamente ( Palani
et al., 2008 ). Los tomadores de decisiones pueden decidir si la previsibilidad del modelo de ANN es
1.2 los datos observados los datos predichos
lo suficientemente precisa para tomar decisiones importantes con respecto al uso de datos en
función de la falta de correspondencia entre los parámetros de calidad del agua pronosticadas y el

boro datos escalados

medido. 0.8

0.4

3. Resultados y discusión
0
1 9 17 25 33
3.1. modelización ARIMA
Tiempo (meses)

En el presente estudio, se hicieron varias rutas para elegir los parámetros del modelo ARIMA
óptimas. Los parámetros del modelo que satisfacen la comprobación de diagnóstico residual
1.2 los datos observados los datos predichos
estadística fueron elegidos en el modelo ARIMA previsión. Los modelos ARIMA se utilizaron para
d.oxygen datos escalados

predecir series temporales de la calidad del agua mensualmente durante el período entre 1996 y
2004. Los datos de calidad del agua para el período entre 1996 y 2001 fueron utilizados para la 0.8

calibración del modelo y para obtener el mejor modelo fi cio para cada parámetro de la calidad del
agua. Los datos correspondientes al período entre 2002 y 2004 se utilizaron para el modelo de 0.4
verificación fi cación y comparaciones con fines de predicción. En el proceso de modelado ARIMA,
los conjuntos de datos de calidad de entrada y salida de agua para cada parámetro se normalizaron
0
a la gama de [0, 1].
1 9 17 25 33
Tiempo (meses)

Para fi modelo t ARIMA a los datos de series temporales de calidad del agua disponibles, el 1.2 los datos observados los datos predichos
procedimiento de tres etapas de modelo de identificación, se empleó estimación de parámetros del
datos de temperatura Scaled

modelo y la comprobación de diagnóstico de los parámetros estimados. En la etapa de fi cación, para

0.8
determinar la estructura persistencia posible en los datos de series de tiempo, se utilizaron la función
de autocorrelación (ACF) y la función de autocorrelación parcial (FAP). Utilizando los criterios de
0.4
información de Akaike (AIC), el mejor modelo tted Fi ha sido identi fi cado de los diversos modelos de
la competencia. Como se demuestra en Tabla 2 , Los componentes estacionales ( PAG, RE, Q) de mejor
ajuste modelos ARIMA son (0, 0, 1) para la temperatura del agua, (0, 1, 1) para el boro y (1, 0, 0) 0
para el oxígeno disuelto. Los componentes no estacionales ( pag, re, q) son (1, 1, 1), (1, 0, 1) y (1, 1, 0) 1 9 17 25 33

para la temperatura del agua, el boro y el oxígeno disuelto, respectivamente. Los AIC para los Tiempo (meses)

mejores modelos ARIMA fi t son 478,

Fig. 3. modelo ARIMA la verificación para cada constituyente calidad del agua.

126.3 y 192.1 de la temperatura del agua, boro y disuelto

oxígeno, respectivamente ( Tabla 2 ). En el modelo de estimación de parámetros etapa,
el mejor modelo ARIMA fi t estadística
Se estimaron los parámetros. El método de cálculo descrito por Box y Jenkins (1976) fue empleado
para estimar los parámetros del modelo.
En la comprobación de diagnóstico del estimado
parámetros etapa, comprobaciones de diagnóstico se hace para asegurar que el mejor modelo fi t fue
seleccionado mediante la comprobación de que los supuestos de ARIMA modelado como la
independencia, homoscedastic (constante de la varianza) y la normalidad de la residual una t fueron
satis fi ed. Con el fin de comprobar la independencia de
el residuo
derechos residuales de autor,
función de autocorrelación (RACF), se utilizaron estadísticas de Ljung-Box-Pierce y periodogramas
acumulativos. Los valores de funciones de autocorrelación residuales (RACF) fueron bien resueltos
dentro de los límites confianza excepto muy pocas correlaciones individuales aparecen grandes en
comparación con los límites de con fi anza, que eran aceptables
entre los 30 grupos de acción local. Los resultados no mostraron correlación significativa entre los
residuos del parámetro de cada calidad del agua. Los valores de Ljung-Box-Pierce Q (r) estadística se
muestra en la Tabla 2 y tiene un valor de 27,01, 29,64 y 31,28 para la temperatura del agua, el boro y
el oxígeno disuelto, respectivamente. Los valores de Q (r) se compararon con un valor de ensayo
crítico ( w 2) de distribución con respectivo grado de libertad en un nivel significativo fi 5%. Era evidente
que los valores calculados fueron menos de la real ( w 2)
valores, lo que indica que los residuos de los mejores modelos eran ruido blanco ( Tabla 2 ).
periodogramas acumulativos confirmado que no signi periodicidad fi no puede estaba disponible en
las series residuales a nivel de confianza del 95% e indicó que los puntos fueron agrupando
estrechamente alrededor de la línea teórica y no había pruebas de características periódicas
enterrados en la serie residual. Con el fin de comprobar la normalidad de los residuos, los
histogramas y
 ARTÍCULO EN PRENSA

D. Omer Faruk / Aplicaciones de Ingeniería de arti fi ciales Inteligencia 23 (2010) 586-594 591

3.2. modelado de la red neuronal

1.2

De correlación, r = 0,483 A tres capas feedforward modelo de red neural fue desarrollado para la predicción de los
componentes de la calidad del agua (de boro, oxígeno disuelto y la temperatura del agua) utilizando
la observación de boro

0.8 1
un algoritmo de entrenamiento de retropropagación optimizado. En el presente estudio, el algoritmo

0.6 de gradiente conjugado escalado fue seleccionado como el método de entrenamiento optimizado. En
la siguiente parte, arti fi ciales actuaciones modelo de red neural fueron validados para flujo de
0.4
predicción en condiciones mensual paso de tiempo. Los datos para el período entre 1996 y 2004
0.2 estaban disponibles para los propósitos de modelado. Boron, datos disueltos de la serie oxígeno y la
temperatura del agua de tiempo se divide en dos conjuntos de datos independientes. El conjunto de

0.2 0.4 0.6 0.8 1 1.2 datos primero se utilizó para la formación del modelo, y el segundo conjunto de datos se utilizó para
el modelo de verificación propósitos fi cación. En el proceso de modelado ANN, La Fig. 5
la predicción de boro

1.2

De correlación, r = 0,507 0
observación D.oxygen

0.8 1
demuestra el rendimiento de la formación ANN modelo para cada parámetro de la calidad del agua. La

0.6 Fig. 5 A indica que el modelo ANN para los datos de series de tiempo de boro alcanza el objetivo de
entrenamiento preestablecido de 0,001 después de 100 épocas. Para los datos de series temporales de
0.4
oxígeno disuelto, el modelo ANN carrera a través de 40 épocas para alcanzar el objetivo de entrenamiento
0.2 requerido

0
0 0.2 0.4 0.6 0.8 1 1.2
predicción D.oxygen

1.2

De correlación, r = 0,742 0
de medición Temperatura

0.8 1

0.6

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1 1.2
predicción Temperatura

La Fig. 4. Observado frente ARIMA predijo datos para cada constituyente calidad del agua.

gráfico de probabilidad normal de los residuales se investigaron y se apoya claramente la suposición

de normalidad. Con el fin de investigar homocedasticidad de los residuos, una parcela de residuales
contra los valores fi tted se examinaron las parcelas y mostró una dispersión aleatoria en torno a
cero. En otras palabras, los residuos fueron distribuidos de forma uniforme alrededor de media, lo
que explica los modelos eran adecuadas.

A continuación, el modelo ARIMA entrenado se ensayó usando los datos de calidad del agua
fijados para el periodo de 36 meses. Como se muestra en Fig. 3 , Aunque los modelos ARIMA varían
generalmente con la gama de la mayoría de los datos de calidad del agua, las predicciones del
modelo no son fi bastante satis ed. Los valores de coeficiente de correlación fi entre los modelos
predichos valores y datos observados para el boro, oxígeno disuelto y la temperatura del agua son
0.483, 0.507 y 0.742, respectivamente, que no son satisfactorios en las aplicaciones de modelo
común ( La Fig. 4 ). Aunque los modelos ARIMA fueron capaces de mostrar los ciclos de los valores
máximos y mínimos de calidad del agua en un año, que no fueron capaces de proporcionar buenas
predicciones de las magnitudes de valor de calidad del agua, que frommonth cambiado de estado a
mes. Esta limitación se debe principalmente a las limitaciones del algoritmo de modelado lineal en el
modelo Arima, el rendimiento de los que en general no fue bastante satisfactorio en el
reconocimiento y la reproducción de las series de tiempo no lineales de los datos de calidad del
agua.

La Fig. 5. El entrenamiento de rendimiento del modelo ANN para cada constituyente de la calidad del agua.
 ARTÍCULO EN PRENSA

592 D. Omer Faruk / Aplicaciones de Ingeniería de arti fi ciales Inteligencia 23 (2010) 586-594

1.2
1.2
los datos observados los datos predichos
De correlación, r = 0,885
boro datos escalados

la observación de boro
0.8 0.8 1

0.6
0.4
0.4

0.2
0
1 9 17 25 33
Tiempo (meses) 0.2 0.4 0.6 0.8 1 1.2
la predicción de boro

1.2
los datos observados los datos predichos 1.2
d.oxygen datos escalados

De correlación, r = 0,878 0
0.8

observación D.oxygen
0.8

0.4

0.4
0
1 9 17 25 33
Tiempo (meses) 0
0 0.2 0.4 0.6 0.8 1 1.2
predicción D.oxygen
1.2 los datos observados los datos predichos
datos de temperatura Scaled

1.5
0.8 De correlación, r = 0,896 0
de medición Temperatura

0.4

0 0.5 1

1 9 17 25 33
Tiempo (meses)
0
La Fig. 6. modelo ANN la verificación para cada constituyente calidad del agua. 0 0.2 0.4 0.6 0.8 1 1.2
predicción Temperatura

La Fig. 7. Observado frente ANN predijo datos para cada constituyente calidad del agua.

de 0.001 ( La Fig. 5 si). Mediante la comparación de las predicciones del modelo con las
observaciones, se calibraron los parámetros del modelo (pesos). Se necesitan 100 épocas para el
modelo de red neuronal para alcanzar el objetivo de entrenamiento requerido de 0,001 para los datos
de temperatura del agua ( La Fig. 5 C). Estos resultados indican que el modelo ANN puede ser
entrenado para ajustar los pesos de modelo para que los parámetros de calidad del agua predicho
modelo coinciden bien con los datos observados.
En el modelo de verificación fase fi cación, la red entrenada se utilizó para predecir los
parámetros de calidad del agua mensuales. La Fig. 6 compara las predicciones del modelo para los
parámetros de calidad del agua con las observaciones. La etapa fi caciones verificación indican que
los resultados de predicción de modelo se ajustan razonablemente los parámetros observados
calidad del agua. La fi coeficiente de correlación entre el modelo ANN valores y los datos observados
para el boro predijo, oxígeno disuelto y la temperatura del agua son 0.885, 0.878 y 0.896,
respectivamente, que son satisfactorias en las aplicaciones de modelo común ( La Fig. 7 ). Estos
resultados indican que el modelo de red neuronal es capaz de reconocer el patrón de los parámetros
de calidad de agua para proporcionar buenas predicciones de las variaciones mensuales de datos de
calidad de agua de la B ¨
uy ¨ Reino Unido River Menderes.
Se empleó el modelo ARIMA. En el segundo paso, los residuos del modelo ARIMA se modelaron
mediante el uso de un modelo de red neural. Dado que el modelo ARIMA no puede detectar la
estructura no lineal de los datos de series de tiempo la calidad del agua, los residuos del modelo
lineal contendrán información acerca de la no linealidad. Las salidas de la red neuronal se pueden
utilizar como predicciones de los términos de error del modelo ARIMA. El modelo híbrido utiliza la
característica única y la fuerza de modelo ARIMA así como modelo de ANN en la determinación de
diferentes patrones. Por lo tanto, puede ser favorable para modelar patrones lineales y no lineales
por separado mediante el uso de diferentes modelos y luego combinar las predicciones para mejorar
el modelado y el rendimiento general predecir. En el algoritmo de modelado híbrido, los conjuntos de
datos de calidad de entrada y salida de agua para cada parámetro se normalizaron a la gama de [0,
1]. En el proceso de modelado, el modelo híbrido fue entrenado para ajustar el modelo para que los
parámetros de calidad del agua predicho modelo coinciden bien con los datos observados. La Fig. 8 compara
las predicciones del modelo para los parámetros de calidad del agua con las observaciones. Los
resultados cationes verificabilidad indican que los resultados de predicción de modelo se ajustan
razonablemente los parámetros observados calidad del agua. La fi coeficiente de correlación entre el
modelo híbrido de valores y los datos observados para el boro predijo, oxígeno disuelto y la
temperatura del agua son 0.902, 0.893 y 0.909, respectivamente, que son satisfactorias en las
aplicaciones de modelo común ( La Fig. 9 ).

3.3. modelado híbrido

El algoritmo propuesto del sistema híbrido consistió en dos pasos. En la etapa primera, para
analizar la parte lineal del problema, una
 ARTÍCULO EN PRENSA

D. Omer Faruk / Aplicaciones de Ingeniería de arti fi ciales Inteligencia 23 (2010) 586-594 593

1.2
1.2 los datos observados los datos predichos
De correlación, r = 0,902
boro datos escalados

la observación de boro
0.8 0.8 1

0.6
0.4
0.4

0.2
0
1 9 17 25 33
Tiempo (meses) 0.2 0.4 0.6 0.8 1 1.2
la predicción de boro

1.2
los datos observados los datos predichos 1.2
d.oxygen datos escalados

De correlación, r = 0,893 0
0.8

observación D.oxygen
0.8

0.4

0.4

0
1 9 17 25 33
Tiempo (meses) 0
0 0.2 0.4 0.6 0.8 1 1.2
predicción D.oxygen
1.2 los datos observados los datos predichos
datos de temperatura Scaled

1.5
0.8 De correlación, r = 0,909 0
de medición Temperatura

0.4

0.5 1
0
1 9 17 25 33
Tiempo (meses)
0
La Fig. 8. modelo híbrido la verificación para cada constituyente calidad del agua. 0 0.2 0.4 0.6 0.8 1 1.2
predicción Temperatura

La Fig. 9. Observado frente a los datos predicho modelo híbrido para cada constituyente calidad del agua.

3.4. Comparación de las actuaciones modelo

El empleo de medidas de precisión (RMSE, MAPE y NSC), los datos predichos y los datos
observados durante el periodo de 36 meses desde el híbrido, se compararon modelos de RNA y
ARIMA para determinar el mejor modelo realizado. Los parámetros de calidad del agua predichos
usando los modelos ARIMA no resultaron ser razonablemente de acuerdo con los datos observados.
Sin embargo, el híbrido y ANN métodos presentados precisión razonable para todos los parámetros
de calidad del agua. Tabla 3 da las estimaciones de error de los tres enfoques diferentes utilizados en
el estudio para predecir los parámetros de calidad del agua. Los RMSEs entre los datos observados
y los predichos se calcularon en modelos ARIMA como 0.102 1 C, 0.165 y
temperatura, boro y oxígeno disuelto, respectivamente. En el caso de los valores de MAPE, la mejora
del modelo híbrido sobre el modelo ANN eran 13,41%, 8,69% y 8,87% para la temperatura del agua,
el boro y el oxígeno disuelto, respectivamente. El modelo ARIMA produjo valores más bajos de NSC
en comparación con el modelo ANN. Los valores NSC para el enfoque de modelización ARIMA eran
0,716, 0,534 y 0,682 para la temperatura del agua, el boro y el oxígeno disuelto, respectivamente.
Sin embargo, los valores NSC producidos para el modelo de ANN fueron 0,931, 0,893 y 0,912 para la
temperatura del agua, el boro y el oxígeno disuelto, respectivamente. Con la aplicación del modelo
híbrido, la mejora con respecto a los valores NSC de la ANN eran 15,03%, 13,43% y 12,31% para la
temperatura del agua, el boro y el oxígeno disuelto, respectivamente.

0,113 mg l 1 para la temperatura del agua, el boro y el oxígeno disuelto, respectivamente. En el caso
del enfoque de modelado ANN, los RMSEs entre los datos observados y los predichos se calcularon
como 0,048 1 C,
0,074 y 0,061 mg l 1 para la temperatura del agua, el boro y el oxígeno disuelto, respectivamente.
Aplicando el método híbrido, hubo una disminución del 18,75%, 14,86% y 16,39% en los valores
RMSE de ANN para la temperatura del agua, el boro y el oxígeno disuelto, respectivamente. Es obvio que el modelo híbrido es capaz de simular la temperatura del agua con una precisión
Además, los valores de MAPE entre oxígeno observada y los datos para la temperatura del agua, de un grado en comparación con los modelos de RNA y ARIMA. En la B
boro predicho y disuelto se parecía ser ligeramente más bajos para el enfoque de modelado ANN. uy ¨ Reino Unido River Menderes a Ayd yo norte
estadísticas de error de predicción para el enfoque ANN producen MAPE de 21%, 36% y 29% para ubicación, el enfoque de modelo híbrido fue exitosa en la simulación de la magnitud y patrones en
agua concentraciones de oxígeno disuelto observados que resultaron de las variaciones de temperatura
estacionales, floraciones periódicas de fitoplancton y punto de origen
 ARTÍCULO EN PRENSA

594 D. Omer Faruk / Aplicaciones de Ingeniería de arti fi ciales Inteligencia 23 (2010) 586-594

Tabla 3
La comparación estadística de los datos observados y pronosticados del híbrido, ARIMA y el modelado arti fi cial de la red neuronal (ANN) se acerca.

parámetros RMSE MAPE NSC

ARIMA ANA Híbrido ARIMA ANA Híbrido ARIMA ANA Híbrido

Temperatura de agua ( 1 C) 0,102 0,048 0,039 42.076 21.114 18.282 0,716 0,931 0,945
Boro (mg l 1) 0,165 0,074 0,063 57.512 36.813 33.611 0,534 0,893 0,904
DO (mg l 1) 0,113 0,061 0,051 47.103 29.612 26.985 0,682 0,912 0,924

Las descargas de oxígeno sustancias como el amoníaco consumir. El algoritmo híbrido desarrollado referencias
para el boro constituir fue capaz de reconocer el patrón de los datos de entrada para proporcionar
buenas predicciones de las variaciones mensuales de contenido de boro. Por lo tanto, se puede Benyahya, L., Hilaire, AS, Quarda, BMJT, Bobée, B., Nedushan, BA, 2007.

concluir que el enfoque de modelado híbrido puede dar predicciones más fiables de la temperatura Modelado de la temperatura del agua en base a estocástico se acerca: estudio de caso del río Deschutes. Diario
de Ingeniería Ambiental Ciencia 6, 437-448. Box, GEP, Jenkins, GM, 1976. Análisis de series de tiempo de
del agua, de boro y series de tiempo de oxígeno disuelto de un río que el enfoque de modelado ANN
predicción y control.
y ARIMA. Holden-Day, San Francisco, EE.UU..
Box, GEP, Jenkins, GM, Reinsel, GC, 1991. Análisis de series, Previsión y
Controlar. Prentice Hall, Englewood Cliffs, NJ. ESTADOS UNIDOS. Chau, KW, 2006. Una revisión sobre la
integración de la inteligencia arti fi cial en agua
modelización de la calidad. Boletín de la contaminación del mar 52, 726-733. PCRaster-pol flujo enfoque Durdu, DE,
con base 2007. SIG para el modelado del acoplada
agua de la superficie y la hidrología subterránea en el B ¨ uy ¨uk Menderes captación.
4. Conclusiones En: Actas del Congreso Internacional sobre la Gestión de la Cuenca del Río, Antalya, Turquía, 258-270.

Un nuevo enfoque de modelado de series temporales de calidad del agua, capaces de explotar
las ventajas de ambos los métodos convencionales y los RNAs, se propuso. Una evaluación
comparativa empírica de la actuación de modelo híbrido con el enfoque de modelado ANN y ARIMA
se presentó para las predicciones de calidad del agua del río. El marco de modelado propuesto
recibe poco a poco los datos se filtran utilizando los modelos ARIMA y entonces los residuos del
enfoque ARIMA fueron analizados por las RNA para capturar la no linealidad en las series de tiempo
involucrados. Se llevaron a cabo investigaciones para examinar el rendimiento del modelo híbrido
para la predicción de la calidad del agua del río en pasos de tiempo mensuales. Los resultados de los
El-Din, AG, Smith, DW, 2002. Un modelo de ruido de función de transferencia combinada de
predecir el comportamiento dinámico de un tanque de sedimentación primaria a gran escala. Investigación del Agua 36,
​3747-3764.
Falas, T., Stafylopatis, A., 2005. La implementación de aprendizaje con diferencia temporal
el algoritmo de gradiente conjugado escalado. Cartas procesamiento neural 22, 361-375.
Inundación, I., Kartam, N., 1994. Las redes neuronales en ingeniería civil I: Principios y
comprensión. Diario de Informática en Ingeniería Civil 8, 131-148. Hassoun, MH, 1995. Fundamentos de la arti fi
cial Redes Neuronales. MIT Press,
Cambridge.
Hatzikos, E., Anastasakis, L., Bassiliades, N., Vlahavas, I., 2005. simultánea

modelos ARIMA mal representados el patrón de los datos de calidad del agua para el boro y el predicción de múltiples parámetros químicos de la calidad del agua del río con la marea. En: Actas de la
Segunda Internacional fi Scientific Conferencia sobre Ciencias de la Computación, IEEE Computer Society,
oxígeno disuelto, pero el modelo producen resultados aceptables para la temperatura del agua. Los
Sección búlgara. Haykin, S., 1999. Neural Networks, una base completa. Prentice Hall,
resultados del modelo de ANN eran capaces de proporcionar predicciones exactas de los parámetros
de calidad del agua en el paso de tiempo propuesto. En el modelo híbrido propuesto, se utilizó un Upper Saddle River, Nueva Jersey, EE.UU..

modelo ARIMA para analizar la parte lineal del problema y entonces los residuos del modelo ARIMA
se modelaron mediante el uso de un modelo de red neural. Los resultados del modelo híbrido
indicaron que el enfoque de modelado dio predicciones más fiables de la temperatura del agua, boro
Huang, W., Bing, X., Chan-Hilton, A., 2004. Los flujos de Predicción fl en Apalachicola River
utilizando neworks neuronales. Proceso hidrológica 18, 2545-2564. Jain, A., Kumar, A., 2006. Evaluación Una
de arti fi cial técnica de red neuronal para
la determinación de en fi parámetros del modelo filtración. Applied Soft Computing 6, 272-282.

y datos de serie temporal de oxígeno disuelto.

Maier, HR, Dandy, GC, 2000. Las redes neuronales para la predicción y pronóstico
de variables de recursos hídricos: una revisión de los problemas de modelado y aplicaciones. Modelado del
medio ambiente y el software 15, 101-124. Mishra, AK, Desai, VR, 2005. pronóstico de las sequías mediante
modelos estocásticos.
Estocástico Ambiental de Investigación de Evaluación de Riesgo 19, 326-339. Moller, MF, 1993. Un algoritmo de
gradiente conjugado escalado para supervisado rápido
aprendizaje. Redes Neuronales 6, 525-533.
Nash, JE, Sutcliffe, JV, 1970. Río fl ujo de predicción a través de modelos conceptuales
parte I - una discusión de los principios. Journal of Hidrología 10, 282-290. Palani, S., Liong, SY, la aplicación
Las predicciones de modelo híbrido se compararon con los obtenidos a partir de los enfoques de
Tkalich, P., 2008. Una RNA para la calidad del agua
series de tiempo tradicional Ann y ARIMA. Debido a su capacidad para reconocer los patrones de previsión. Boletín de la contaminación del mar 56, 1586-1597. Pisoni, E., Farina, M., Carnevale, C., Piroddi, L., la

series de tiempo y características no lineales, las medidas de precisión RMSE, MAPE y NSC
demostraron que el modelo híbrido proporciona una precisión mucho mejor a través de los RNAs y
métodos ARIMA para las predicciones de calidad del agua. Por lo tanto, el algoritmo híbrido
propuesto puede ser utilizado para el B ¨
uy ¨río Menderes y Reino Unido
otros ríos hydrometerologically similares para la predicción de los datos de calidad de agua de paso
de tiempo mensual para detectar la gravedad de la calidad del agua con respecto a la temperatura
del agua, el boro y el oxígeno disuelto en el futuro. El modelo híbrido desarrollado para el B ¨
uy ¨ Reino Unido River Menderes
puede ser empleado para la elaboración de un plan de gestión de emergencias calidad del agua con
el fin de garantizar una gestión sostenible de los recursos hídricos en la cuenca.
contaminación del aire pico 2009. Forecasting
niveles utilizando modelos NARX. Ingeniería de Aplicaciones de la Inteligencia Arti fi ciales
22, 593-602.
Rojas, R., 1996. Las redes neuronales: una introducción sistemática. Springer-Verlag,
Berlina.
Shahwan, T., Odening, M., 2007. Inteligencia Computacional en Economía y
Finanzas. Springer, Berlin Heidelberg, Nueva York, pp. 63-74. Su, CT, Tong, LI, Leou, CM, 1997. La
combinación de series de tiempo y de redes neuronales
para el modelado de predicción fiabilidad. Revista de Ingeniería Industrial de China
14, 419-429.
Wei, WWS, 1990. Análisis de series temporales. Addison-Wesley Publishing Company, Inc.,
Nueva York.
Zhang, G., Hu, MI, 1998. Neural previsión de la red de la libra esterlina dólar de EE.UU.
tipo de cambio, Omega. Revista Internacional de Gestión de la Ciencia 26, 495-
506.
Zhang, PG, 2003. Tiempo de la previsión de series utilizando un híbrido ARIMA y neural
modelo de red. Neurocomputing 50, 159-175.