پیش بینی دما با استفاده از روش های هوشمند
پیش بینی دما با استفاده از روش های هوشمند
پیش بینی یا پیشگویی در دنیای کنونی جز لاینکف زندگی بشر محسوب می شوند، پیش بینی دما به علت اهمیت آن در صنعت بیمه، کشاورزی، خشکسالی و... اهمیت فوق العاده ای در پیش بینی های هواشناسی دارد.
بنابراین در ابتدا در رابطه با اهمیت دما و عوامل موثر بر آن مطالبی ارائه می کنیم. طبق بررسی های به عمل آمده از آنجا که دو روش منطق فازی و الگوریتم ژنتیک از روشهای مطرح شده با دقت پیش بینی بالا هستند در یک فصل به دو مبحث منطق فازی و ریاضیات فازی اشاره می شود و در فصلی دیگر توضیحی اجمالی از الگوریتم ژنتیک خواهیم داشت.
در نهایت مقالات معتبر علمی مرتبط با پیش بینی دما ارائه شده اند که حاوی انجام آزمایشات و مشاهداتی هستندکه توسط دو روش الگوریتم ژنتیک ومنطق فازی پیش بینی می شوند.
واژه های کلیدی:
پیش بینی(forecasting )، پیشگویی دما (temperature prediction)، الگوریتم ژنتیک
(genetic algorithm)، سری های زمانی فازی (fuzzy time series)، منطق فازی .(fuzzy logic)
فهرست مطالب:
| مقدمه | 1 | ||
| فصل یکم - منطق فازی و ریاضیات فازی | |||
| 1-1- منطق فازی | 2 | ||
1-1-1- تاریخچه مختصری از منطق فازی | 2 | ||
1-1-2- آشنایی با منطق فازی | 4 | ||
1-1-3- سیستم های فازی | 7 | ||
| 1-1-4- نتیجه گیری | 10 | ||
| 1-2- ریاضیات فازی | 11 | ||
| 1-2-1- مجموعه های فازی | 11 | ||
| 1-2-2- مفاهیم مجموعه های فازی | 14 | ||
| 1-2-3- عملیات روی مجموعه های فازی | 14 | ||
| 1-2-4- انطباق مجموعه های فازی | 19 | ||
| 1-2-5- معیار های امکان و ضرورت | 19 | ||
| 1-2-6- روابط فازی | 21 | ||
| 1-2-6-1- رابطه ی هم ارزی فازی | 23 | ||
| 1-2-6-2- ترکیب روابط فازی | 23 | ||
| 1-2-7- منطق فازی | 24 | ||
| 1-2-7-1- عملیات منطقی و مقادیر درستی فازی | 25 | ||
| 1-2-7-2- کاربرد مقادیر درستی فازی | 27 | ||
1-2-8- نتیجه گیری | 27 | ||
فصل دوم- الگوریتم ژنتیک | |||
2-1- چکیده | 28 | ||
| 2-2- مقدمه | 29 | ||
| 2-3- الگوریتم ژنتیک چیست؟ | 32 | ||
| 2-4- ایده اصلی الگوریتم ژنتیک | 35 | ||
| 2-5- الگوریتم ژنتیک | 37 | ||
| 2-6- سود و کد الگوریتم | 38 | ||
| 2-7- روش های نمایش | 39 | ||
| 2-8- روش های انتخاب | 40 | ||
| 2-9- روش های تغییر | 41 | ||
| 2-10- نقاط قوت الگوریتم های ژنتیک | 42 | ||
| 2-11- محدودیت های GAها | 43 | ||
| 2-12- چند نمونه از کاربردهای الگوریتم های ژنتیک | 43 | ||
| 2-13- نسل اول | 45 | ||
| 2-14- نسل بعدی | 46 | ||
| 2-14-1- انتخاب | 47 | ||
| 2-14-2- تغییر از یک نسل به نسل بعدی(crossover) | 47 | ||
| 2-14-3- جهش (mutation) | 48 | ||
| 2-15- هایپر هیوریستیک | 48 | ||
| فصل سوم- بررسی مقالات | |||
| 3-1- یک روش رویه‌‌‌ای پیش بینی دمای هوای شبانه برای پیش بینی یخبندان | |||
| 3-1-1- چکیده | 51 | ||
| 3-1-2- مقدمه | 51 | ||
| 3-1-3- روش شناسی | 53 | ||
| 3-1-3-1- مجموعه اصطلاحات | 53 | ||
| 3-1-3-2-نگاه کلی | 53 | ||
| 3-1-3-3- یادگیری | 54 | ||
| 3-1-3-4- تولید پارامتر های ساختاری | 55 | ||
| 3-1-3-5- پیش بینی | 57 | ||
| 3-1-3-6- متناسب سازی ضعیف، متوسط و دقیق | 59 | ||
| 3-1-4- نتایج | 60 | ||
| 3-1-4-1- واقعه ی یخبندان شپارتون | 64 | ||
| 3-1-4-2- بحث | 65 | ||
| 3-1-5- نتیجه گیری | 66 | ||
| 3-2- پیش بینی دما و پیش گویی بازار بورس بر اساس روابط منطق فازی و الگوریتم ژنتیک | |||
| 3-2-1- چکیده | 67 | ||
| 3-2-2- مقدمه | 67 | ||
| 3-2-3- سری های زمانی فازی و روابط منطق فازی | 69 | ||
| 3-2-4- مفاهیم اساسی و الگوریتم های ژنتیک | 70 | ||
| 3-2-5- روش جدید پیش بینی دما و بازار بورس بر اساس روابط منطقی فازی و الگوریتم های ژنتیک | 71 | ||
| 3-2-6- نتیجه گیری | 93 | ||
| 3-3-پیش بینی روند دمای جهانی بر اساس فعالیت های خورشیدی پیشگویی شده در طول دهه های آینده | |||
| 3-3-1- چکیده | 94 | ||
| 3-3-2- مقدمه | 94 | ||
| 3-3-3- داده و روش بررسی | 96 | ||
| 3-3-4- نتایج | 99 | ||
| 3-3-5- نتیجه گیری | 100 | ||
| جدول1-2-1- برخی از مفاهیم پایه ی مجموعه های فازی | 14 | |
| جدول3-1-1- تاریخ اولین پیش بینی و خطای پیش بینی مربوطه | 63 | |
| جدول3-2-1- داده های پیشین میانگین دمای روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان | 72 | |
| جدول3-2-2- داده های قدیمی تراکم ابر های روزانه از 1 ام ژوئن 1996 تا 30 ام سپتامبر در تایوان | 74 | |
| جدول3-2-3- جمعیت ابتدایی | 78 | |
| جدول3-2-4- میانگین دمای روزانه ی فازی شده و تراکم ابرهای روزانه فازی شده از 1 ام ژوئن تا30ام سپتامبر در تایوان بر اساس نخستین کروموزوم | 79 | |
| جدول3-2-5- دو فاکتور مرتبه سوم روابط گروهی منطق فازی | 80 | |
| جدول3-2-6- دمای پیش بینی شده و میانگین خطای پیش بینی بر اساس سریهای زمانی فازی مرتبه سوم | 85 | |
| جدول3-2-7- درصد میانگین خطای پیش بینی برای مراتب مختلف بر اساس روشهای پیشنهادی | 86 | |
| جدول3-2-8- درصد میانگین خطاهای پیش بینی برای پنجره های متفاوت بر اساس روشهای پیشنهادی | 87 | |
| جدول3-2-9- داده های قدیمیTAIFEXو TAIEX | 89 | |
| جدول3-2-10- خطای مربع حسابی برای مراتب مختلف روش پیشنهادی | 89 | |
| جدول3-2-11- مقایسه مقادیر پیشبینیTAIFEXوخطاهای مربع حسابی برای روشهای مختلف پیش بینی | 90 | |
| عنوان | صفحه | |
| شکل 1-1-1- طرز کار سیستم فازی | 7 | |
| شکل 1-2-1- نمودار توابع فازیs، ذوزنقهای و گاما | 13 | |
| شکل 1-2-2- مثال هایی از اجتماع، اشتراک و متمم دو تابع عضویت | 16 | |
| شکل 1-2-3- برخی از عملگر های پیشنهاد شده برای اشتراک | 17 | |
| شکل1-2-4- برخی از عملگر های پیشنهاد شده برای اجتماع | 18 | |
| شکل 1-2-5- انطباق دو مجموعه فازی | 19 | |
| شکل 1-2-6- نمایش معیار های امکان و ضرورت | 20 | |
| شکل 1-2-7- مقادیر درستی فازی | 25 | |
| شکل 2-1- منحنی | 32 | |
| شکل 2-2- تاثیر الگوریتم ژنتیک بر کروموزوم های 8 بیتی | 41 | |
| شکل3-1-1-تفاوت های تولید شده ی بین مشاهدات مرجع و مشاهداتی که زودتر در صف می آیند | 54 | |
| شکل 3-1-2- مشاهدات هواشناسی به صف شده | 55 | |
| شکل 3-1-3- دیاگرام درختی | 58 | |
| شکل 3-1-4- توابع گاوس برای متناسب سازی ضعیف، متوسط و دقیق دمای هوا | 59 | |
| شکل 3-1-5- هیستوگرام خطا های پیش بینی | 61 | |
| شکل3-1-6- خطای میانه ماهیانه | 61 | |
| شکل 3-1-7-خطای درصدی میانه ماهیانه | 62 | |
| شکل 3-1-8-تراکم پیش بینی | 63 | |
| شکل 3-1-9- ترسیم توزیعی دمای هوای مشاهده شده در مقابل 1 ساعت پیش بینی دمای هوا | 64 | |
| شکل3-1-10- واقعه ی شپارتون، مشاهده و پیش بینی دماهای هوا | 65 | |
| شکل 3-2-1- یک کروموزوم | 74 | |
| شکل 3-2-2- توابع عضویت متناظر رن هایx کروموزوم های نشان داده شده در شکل3-2-1 | 76 | |
| شکل 3-2-3- توابع عضویت متناظر ژن هایy کروموزوم های نشان داده شده در شکل3-2-1 | 77 | |
| شکل 3-2-4- عملیاتcrossover دو کروموزوم | 82 | |
| شکل3-2-5- عملیات جهش یک کروموزوم | 84 | |
| شکل 3-2-6- بهترین کروموزوم برای پیش بینی میانگین دمای روزانه در ژوئن 1996 | 84 | |
| شکل 3-2-7- میانگین خطای پیش بینی روشهای پیشنهادی بر اساس سری های زمانی فازی مرتبه سوم | 86 | |
| شکل 3-2-8- خطای مربع حسابی بر اساس سری های زمانی فازی مرتبه هفتم | 91 | |
| شکل 3-3-1-پیکر بندی شبکه های عصبی منطقی فازی | 96 | |
| شکل 3-3-2- مقادیر مشاهده و پیش بینی شده ی ولف نو | 98 | |
| شکل 3-3-3- مقادیر مشاهده و پیش بینی شده ی دمای غیر عادی جهان | 98 | |
خرید فایل
لینک منبع :پیش بینی دما با استفاده از روش های هوشمند