Views
27
Downloands
2
Dünya nüfusundaki artış ve bunun sonucunda ortaya çıkan su ve enerji talebi, su kaynakları üzerinde artan bir baskı oluşturmaktadır. Makine öğrenmesi (ML), nehir akışlarını tahmin etmede etkin bir rol oynamaktadır. ML yöntemlerinden olan tekrarlayan sinir ağı (RNN) modeli, tekrarlayan veri setlerinde kaybolan gradyan sorunu nedeniyle yetersiz kalmıştır. Uzun kısa süreli bellek ağları (LSTM), ağ hücrelerinin önceden depolanmış belleklerinin bir kısmını unutmasına izin verir. Diğer bir yöntem olan geçitli tekrarlayan birim (GRU) ise hafızayı günceller ve kayıp problemini çözer. GRU'nun eğitim parametresi daha az olduğu ve daha az bellek kullandığı için hızlıdır, LSTM modelinde ise daha uzun diziler kullanıldığından veri kümesinde daha doğrudur. Fırat Nehri üzerindeki (E21A035) Bulam akış ölçüm istasyonunun (FMS) (2000-2009) akış verilerinden elde edilen veri seti orta büyüklükte ve tekrarlayan değerlere sahip olduğundan çalışmada bu iki model bu istasyondan elde edilen veriler ile karşılaştırılmıştır. Çalışma için Adadelta, Adagrad, FTRL, SGD, RMSprop, Nadam, Adamax, Adam iyileştiricileri test edilmiştir. R2, MAE, RMSE istatistiksel değerlendirme kriterleri göz önüne alındığında Adam ve Adamax optimize edicilerin daha iyi sonuçlar verdiği görülmüş ve verilere en uygun olan bu iyileştiricilerin kullanılmasına karar verilmiştir. Çalışmada MAE, MSE ve LogCosh kayıp fonksiyonları kullanılmıştır. LSTM ve GRU modellerinin performansı analiz edildiğinde, GRU modelinden daha iyi sonuçlar elde edildiği, 0.3346 RMSE, 0.1464 MAE ve 0.9718 R2 değerleri ile gözlemlenmiştir.
The increase in the world’s population and the resulting water and energy demand create an increasing pressure on water resources. Machine learning (ML) plays an effective role in predicting river flows. The repeated nervous network (RNN) model, which is of ML methods, is insufficient due to the loss of the gradyan problem in repeated data sets. Long-term short-term memory networks (LSTMs) allow network cells to forget some of their previously stored memories. Another method is the passive repeating unit (GRU), which updates memory and solves the loss problem. GRU’s training parameters are faster because they are less and use less memory, while the LSTM model is more accurate in the data set because they are using longer series. The data set obtained from the flow data of the Bulam Stream Measurement Station (FMS) (2000-2009) on the E21A035) is medium and has repetitive values in the study, and these two models are compared with the data obtained from this station. For the study, Adadelta, Adagrad, FTRL, SGD, RMSprop, Nadam, Adamax, Man healers have been tested. Given the statistical assessment criteria of R2, MAE, RMSE, the Adam and Adamax optimizers have seen to give better results and have decided to use these healers that are best suited to the data. The study used the lost functions of MAE, MSE and LogCosh. When the performance of LSTM and GRU models was analyzed, better results were obtained than the GRU model, 0.3346 RMSE, 0.1464 MAE and 0. It was observed with the values of 9718 R2.
Field : Fen Bilimleri ve Matematik; Mühendislik
Journal Type : Uluslararası
Article Detail 
Similar Articles
Download PDF
Journal Information
Listen Paper
Cite
Print This Page
Share
Mendeley
