Documentos de Académico
Documentos de Profesional
Documentos de Cultura
4 Faruk2010 en Es PDF
4 Faruk2010 en Es PDF
Una red neural híbrido y modelo ARIMA para la calidad del agua de predicción de series de tiempo
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
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.
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.
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) 586-594 587
series de tiempo de la vida real son extremadamente complejos para ser modelado utilizando simples sobre todo en los inviernos, mientras que durante el período de riego verano, hay muy poca lluvia. El
se acerca especialmente cuando se requiere una gran precisión. Se han realizado varios estudios principal río de la cuenca es el B ¨ uy ¨ Reino Unido
que sugieren los modelos híbridos, que combinan el modelo ARIMA y redes neuronales. Su et al. río Menderes. El uso de la tierra en el B ¨ uy ¨cuenca del río Menderes es uk
(1997) se utiliza un modelo híbrido para predecir una serie temporal de datos de fiabilidad con la como sigue: 40% agricultura, 45% bosque y monte bajo, 10% prado y pastos, 3% vacío, la solución
tendencia de crecimiento. Sus resultados mostraron que el modelo híbrido produce mejores de 1%, agua de la superficie 1%. La economía agrícola de la cuenca depende del cultivo de algodón
predicciones que ya sea el modelo ARIMA o la red neural por sí mismo. Zhang (2003) propuesto un de regadío, maíz, fi g y aceitunas. población total de la cuenca es de 2,5 millones de dólares. El río
híbrido ARIMA y ANN modelo para tomar ventaja de las dos técnicas y aplicado el modelo híbrido durante su curso de alrededor de 584 kilometros recibe la carga de contaminación tanto de las
propuesto para algunos conjuntos de datos reales. Llegó a la conclusión de que el modelo fuentes puntuales y no puntuales. Se recibe la escorrentía agrícola de su gran área de captación
combinado puede ser una forma eficaz de mejorar las predicciones obtenidos por cualquiera de los directa o a través de sus afluentes y desagües de aguas residuales. La disminución de la calidad del
modelos utilizados por separado. Jain y Kumar (2006) propuesto un enfoque híbrido para el agua en el B ¨
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 uy ¨ río Menderes Reino Unido se ha traducido
proporciona un marco de modelado robusto capaz de capturar la naturaleza no lineal de la serie de en los impactos negativos en los peces, la vida silvestre, la vida acuática. Las aguas costeras del mar
tiempo complejo y produciendo así pronósticos más precisos. 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),
En el presente trabajo, un enfoque híbrido, que combina modelo ARIMA estacional y el modelo la Dirección General de Energía Eléctrica
de retropropagación red neural, está desarrollado para predecir series temporales de datos de Recursos, Estudio y Desarrollo de la Administración, Dirección General de Servicios Rural y
calidad del agua. El uso de modelos combinados en los datos de series de tiempo la calidad del agua municipios. Los parámetros de calidad del agua seleccionados incluyen la temperatura del agua, el
podría ser complementario en la captura de patrones de conjuntos de datos y podría mejorar la boro (Br) y oxígeno disuelto (OD). Los datos de estos parámetros disponibles para el análisis son
precisión de la predicción. La motivación detrás de este enfoque híbrido se debe en gran parte al sobre una base mensual para el período de nueve años, de 1996 a 2004. En este estudio, los
hecho de que un problema de la calidad del agua es a menudo de naturaleza compleja y cualquier primeros 72 meses de datos de calidad del agua para el boro, oxígeno disuelto y temperatura del
modelo individual puede no ser capaz de capturar diferentes patrones igualmente bien. Los objetivos agua fueron utilizados para el entrenamiento del modelo . Los restantes 36 meses de datos de la
del presente estudio son: (1) el desarrollo de un modelo híbrido, una RNA y un modelo ARIMA, para calidad del agua se utilizaron para la verificación de los resultados de la predicción del modelo. Las
predecir series temporales de datos de calidad del agua, 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. Materiales y métodos
tabla 1
propiedades estadísticas de los parámetros de calidad del agua.
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 Feed-hacia adelante
X norte norte S yL
W k þ 1 ¼ W k una k r F re W k Þ re 3 Þ
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 El tamaño del paso una k 4 0 es un parámetro de tasa de aprendizaje seleccionado por el usuario, lo
una capa oculta de neuronas con funciones de transferencia no lineales y una 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 de datos. Por lo tanto, un modelo híbrido que tiene tanto la capacidad de modelización lineal y no
Stafylopatis de 2005 ). Un conjugado gradiente algoritmo evita el enfoque zigzag hasta el punto lineal podría ser una buena alternativa para la predicción de los datos de calidad del agua. Mediante
mínimo mediante la incorporación de una relación especial entre la dirección y el vector de gradiente la combinación de diferentes modelos, diferentes aspectos de los patrones subyacentes pueden ser
en cada iteración. Si re k representa el vector de dirección en la iteración k del algoritmo, entonces el capturados. Siguiendo la estructura modelo híbrido de Zhang (2003) , Una serie de tiempo la calidad
vector de peso se actualiza de acuerdo a la regla del agua podría estar compuesto de una estructura de autocorrelación lineal y un componente no
lineal. Es decir,
Dados los valores de W k y re k, unos valores particulares de una k que reducen la función objetivo dónde L t representa la componente lineal y S t representa el componente no lineal. Ambos de estos
tanto como las posibles necesidades que se pueden encontrar. Después de un pequeño número de dos parámetros tienen que ser estimado a partir de los datos de series de tiempo. En primer modelo
iteraciones, la búsqueda a lo largo de la dirección de la línea para hallar el tamaño óptimo paso para ARIMA se utiliza para capturar el componente lineal, entonces los residuos del modelo lineal
el mínimo real deben dejar. Estimar el tamaño óptimo paso con el algoritmo de instrucción ajustada a contendrán solamente la relación no lineal. los residuos
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 mi t en el momento t a partir del modelo lineal se define por
uso de un factor r que se eleva o se baja dentro de cada iteración durante la ejecución del algoritmo,
mi t ¼ y t L^ t re 6 Þ
mirando a la señal de la cantidad
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
re k, que revela si la matriz de Hesse no es positivo noche de fi. Un algoritmo breve de SCG en la red ARIMA no es su fi ciente no es adecuada si todavía hay estructuras de correlación lineal que quedan
neural se da como sigue ( Falas y Stafylopatis de 2005 ). 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
1. Inicialización: En k = 0, elegir un vector de peso inicial W O, sea su fi ciente en que las relaciones no lineales no han sido modelados adecuadamente. Por lo
y establecer el vector de dirección inicial al vector gradiente negativo re o ¼ sol o ¼? r F re W o TH: tanto, los residuos se pueden modelar mediante el uso de las redes neuronales para descubrir
Conjunto los escalares 0 o so relaciones no lineales. Con norte nodos de entrada, el modelo ANN para los residuos serán
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:
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
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.
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
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
para la temperatura del agua, el boro y el oxígeno disuelto, respectivamente. Los AIC para los Tiempo (meses)
D. Omer Faruk / Aplicaciones de Ingeniería de arti fi ciales Inteligencia 23 (2010) 586-594 591
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.
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 Se empleó el modelo ARIMA. En el segundo paso, los residuos del modelo ARIMA se modelaron
de temperatura del agua ( La Fig. 5 C). Estos resultados indican que el modelo ANN puede ser mediante el uso de un modelo de red neural. Dado que el modelo ARIMA no puede detectar la
entrenado para ajustar los pesos de modelo para que los parámetros de calidad del agua predicho estructura no lineal de los datos de series de tiempo la calidad del agua, los residuos del modelo
modelo coinciden bien con los datos observados. 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
En el modelo de verificación fase fi cación, la red entrenada se utilizó para predecir los característica única y la fuerza de modelo ARIMA así como modelo de ANN en la determinación de
parámetros de calidad del agua mensuales. La Fig. 6 compara las predicciones del modelo para los diferentes patrones. Por lo tanto, puede ser favorable para modelar patrones lineales y no lineales
parámetros de calidad del agua con las observaciones. La etapa fi caciones verificación indican que por separado mediante el uso de diferentes modelos y luego combinar las predicciones para mejorar
los resultados de predicción de modelo se ajustan razonablemente los parámetros observados el modelado y el rendimiento general predecir. En el algoritmo de modelado híbrido, los conjuntos de
calidad del agua. La fi coeficiente de correlación entre el modelo ANN valores y los datos observados datos de calidad de entrada y salida de agua para cada parámetro se normalizaron a la gama de [0,
para el boro predijo, oxígeno disuelto y la temperatura del agua son 0.885, 0.878 y 0.896, 1]. En el proceso de modelado, el modelo híbrido fue entrenado para ajustar el modelo para que los
respectivamente, que son satisfactorias en las aplicaciones de modelo común ( La Fig. 7 ). Estos parámetros de calidad del agua predicho modelo coinciden bien con los datos observados. La Fig. 8 compara
resultados indican que el modelo de red neuronal es capaz de reconocer el patrón de los parámetros las predicciones del modelo para los parámetros de calidad del agua con las observaciones. Los
de calidad de agua para proporcionar buenas predicciones de las variaciones mensuales de datos de resultados cationes verificabilidad indican que los resultados de predicción de modelo se ajustan
calidad de agua de la B ¨ 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
uy ¨ Reino Unido River Menderes. aplicaciones de modelo común ( La Fig. 9 ).
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.
El empleo de medidas de precisión (RMSE, MAPE y NSC), los datos predichos y los datos temperatura, boro y oxígeno disuelto, respectivamente. En el caso de los valores de MAPE, la mejora
observados durante el periodo de 36 meses desde el híbrido, se compararon modelos de RNA y del modelo híbrido sobre el modelo ANN eran 13,41%, 8,69% y 8,87% para la temperatura del agua,
ARIMA para determinar el mejor modelo realizado. Los parámetros de calidad del agua predichos el boro y el oxígeno disuelto, respectivamente. El modelo ARIMA produjo valores más bajos de NSC
usando los modelos ARIMA no resultaron ser razonablemente de acuerdo con los datos observados. en comparación con el modelo ANN. Los valores NSC para el enfoque de modelización ARIMA eran
Sin embargo, el híbrido y ANN métodos presentados precisión razonable para todos los parámetros 0,716, 0,534 y 0,682 para la temperatura del agua, el boro y el oxígeno disuelto, respectivamente.
de calidad del agua. Tabla 3 da las estimaciones de error de los tres enfoques diferentes utilizados en Sin embargo, los valores NSC producidos para el modelo de ANN fueron 0,931, 0,893 y 0,912 para la
el estudio para predecir los parámetros de calidad del agua. Los RMSEs entre los datos observados temperatura del agua, el boro y el oxígeno disuelto, respectivamente. Con la aplicación del modelo
y los predichos se calcularon en modelos ARIMA como 0.102 1 C, 0.165 y 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.
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.
El-Din, AG, Smith, DW, 2002. Un modelo de ruido de función de transferencia combinada de
Un nuevo enfoque de modelado de series temporales de calidad del agua, capaces de explotar predecir el comportamiento dinámico de un tanque de sedimentación primaria a gran escala. Investigación del Agua 36,
las ventajas de ambos los métodos convencionales y los RNAs, se propuso. Una evaluación 3747-3764.
Falas, T., Stafylopatis, A., 2005. La implementación de aprendizaje con diferencia temporal
comparativa empírica de la actuación de modelo híbrido con el enfoque de modelado ANN y ARIMA
el algoritmo de gradiente conjugado escalado. Cartas procesamiento neural 22, 361-375.
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 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
enfoque ARIMA fueron analizados por las RNA para capturar la no linealidad en las series de tiempo
cial Redes Neuronales. MIT Press,
involucrados. Se llevaron a cabo investigaciones para examinar el rendimiento del modelo híbrido
Cambridge.
para la predicción de la calidad del agua del río en pasos de tiempo mensuales. Los resultados de los 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..
Huang, W., Bing, X., Chan-Hilton, A., 2004. Los flujos de Predicción fl en Apalachicola River
modelo ARIMA para analizar la parte lineal del problema y entonces los residuos del modelo ARIMA
utilizando neworks neuronales. Proceso hidrológica 18, 2545-2564. Jain, A., Kumar, A., 2006. Evaluación Una
se modelaron mediante el uso de un modelo de red neural. Los resultados del modelo híbrido de arti fi cial técnica de red neuronal para
indicaron que el enfoque de modelado dio predicciones más fiables de la temperatura del agua, boro la determinación de en fi parámetros del modelo filtración. Applied Soft Computing 6, 272-282.
series de tiempo y características no lineales, las medidas de precisión RMSE, MAPE y NSC contaminación del aire pico 2009. Forecasting
niveles utilizando modelos NARX. Ingeniería de Aplicaciones de la Inteligencia Arti fi ciales
demostraron que el modelo híbrido proporciona una precisión mucho mejor a través de los RNAs y
22, 593-602.
métodos ARIMA para las predicciones de calidad del agua. Por lo tanto, el algoritmo híbrido Rojas, R., 1996. Las redes neuronales: una introducción sistemática. Springer-Verlag,
propuesto puede ser utilizado para el B ¨ 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
uy ¨río Menderes y Reino Unido combinación de series de tiempo y de redes neuronales
otros ríos hydrometerologically similares para la predicción de los datos de calidad de agua de paso para el modelado de predicción fiabilidad. Revista de Ingeniería Industrial de China
14, 419-429.
de tiempo mensual para detectar la gravedad de la calidad del agua con respecto a la temperatura
Wei, WWS, 1990. Análisis de series temporales. Addison-Wesley Publishing Company, Inc.,
del agua, el boro y el oxígeno disuelto en el futuro. El modelo híbrido desarrollado para el B ¨ Nueva York.
uy ¨ Reino Unido River Menderes 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-
puede ser empleado para la elaboración de un plan de gestión de emergencias calidad del agua con
506.
el fin de garantizar una gestión sostenible de los recursos hídricos en la cuenca. Zhang, PG, 2003. Tiempo de la previsión de series utilizando un híbrido ARIMA y neural
modelo de red. Neurocomputing 50, 159-175.