ecodagЮг России: экология, развитиеSouth of Russia: ecology, development1992-10982413-0958State Institute of Applied Ecology of the Republic of Dagestan10.18470/1992-1098-2019-1-159-168ecodag-1528Research ArticleКРАТКИЕ СООБЩЕНИЯBRIEF PRESENTATIONSПРОГНОЗИРОВАНИЕ ЗНАЧЕНИЙ ЦВЕТНОСТИ ПИТЬЕВЫХ И ИСХОДНЫХ ВОД С ПОМОЩЬЮ ARIMA-МОДЕЛИ И НЕЙРОННОЙ СЕТИFORECASTING VALUES OF CHROMATICITY OF DRINKING AND SOURCE WATERS USING ARIMA MODEL AND NEURAL NETWORKМакаровД. В.MakarovD. V.

Дмитрий В. Макаров, аспирант кафедры «Прикладная экология»

Уфа

Dmitry V. Makarov, Postgraduate student of the Department "Applied ecology"

Ufa

dmitrij.makarov-1990@yandex.ruКанторЕ. А.KantorE. A.

Евгений А. Кантор, доктор химических наук, профессор

Уфа

Evgeny A. Kantor, Doctor of chemical Sciences., Professor

Ufa

evgkantor@mail.ruКрасулинаН. А.KrasulinaN. A.

Наталья А. Красулина, кандидат химических наук, доцент

450062, Республика Башкортостан, г. Уфа, ул. Космонавтов 6/1

Natalya A. Krasulina, Candidate of chemical Sciences., associate Professor

450062, Republic of Bashkortostan, Ufa, Kosmonavtov 6/1

fizkultura-ugntu@yandex.ruГребА. В.GrebA. V.

Андрей В. Греб, кандидат технических наук, доцент

Уфа

Andrey V. Greb, Candidate of technical Sciences, associate Professor

Ufa

БережноваЗ. З.BerezhnovaZ. Z.

Зульфия З. Бережнова, старший преподаватель

Уфа

Zulfiya Z. Berezhnova, Senior lecturer

Ufa

Уфимский государственный нефтяной технический университетUfa State Petroleum Technological University201904042019141159168Copyright © Макаров Д.В., Кантор Е.А., Красулина Н.А., Греб А.В., Бережнова З.З., 20192019Макаров Д.В., Кантор Е.А., Красулина Н.А., Греб А.В., Бережнова З.З.Makarov D.V., Kantor E.A., Krasulina N.A., Greb A.V., Berezhnova Z.Z.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ecodag.elpub.ru/ugro/article/view/1528Цель

Цель. В работе проведено сравнение методов искусственного нейросетевого (ИНС) моделирования и ARIMA-модели для прогнозирования значений цветности воды.

Методы

Методы. Исходными данными послужили значения цветности питьевой и исходной воды инфильтрационного водозабора (ИВ) юго-восточной части Республики Беларусь. Определение цветности проводилось за период с 2009 по 2017 гг. два раза в сутки, временные ряды значений включали по 5215 значений. Определение параметров моделей проводилось по 85% значений временных рядов, а по оставшимся 15% значений (тестовом периоде) проводилось сравнение значений, прогнозных с фактическими. Оптимальные конфигурации ARIMA-моделей определялись по результатам сравнения усредненных значений среднеквадратических ошибок, а ИНС – усредненных значений среднеквадратических ошибок и производительностей на тестовых периодах. Сравнение методов прогнозирования проводилось на основе сопоставления усредненных значений абсолютной и относительной ошибок на тестовых выборках.

Результаты

Результаты. Выявлено, что ИНС моделирование позволяет получать прогнозные значения цветности с несколько большей точностью по сравнению с ARIMA-моделированием.

Заключение

Заключение. Программная реализация ИНС моделирования в среде MATLAB показала, что использование данного метода позволяет, с достаточной точностью, получить прогноз как исходной, так и питьевой воды на 100 значений.

Aim

Aim. In the present investigation artificial neural network (ANN) and ARIMA-model are compared for forecasting of data of colour of water.

Methods

Methods. Data corresponds to the colour of water of groundwater and drinking water of water intake of south-east region of the Republic of Belarus. The definition of colour was carried out for the period from 2009 to 2017. twice a day, the time series of values included 5215 values. The parameters of the models were estimated by 85% of the time series values, and the remaining 15% of the values (the test period) compared the forecast values with the actual ones. Optimal configurations of ARIMA-models were determined from the results of comparing the averaged values of the root mean squared errors (RMSE); optimal configurations of ANN were determined from the results of comparing the averaged values of RMSE and correlation coefficients (CC) on the test periods.

Results

Results. Comparison of forecasting methods was carried out on the basis of the averaged values of mean absolute error and mean relative error on the test periods. It was revealed that ANN allows to obtain the predicted values of colour of water more accurate than ARIMA-model.

Main conclusions

Main conclusions. Software implementation of ANN in the MATLAB environment empowers with sufficient accuracy get forecast values of groundwater and drinking water for 100 values.

подземные водыпоказатели качества водыцветностьискусственные нейронные сетиARIMA-модельgroundwaterwater quality indicesartificial neural networkcolourARIMAmodelReferencesГОСТ 31868-2012. Вода. Методы определения цветности. М.: Стандартинформ, 2012. 7 с.GOST 31868-2012. Voda. Metody opredeleniya tsvetnosti [GOST31868-2012. Water. Methods for chroma determining]. Moscow, Standardinform Publ., 2012, 7 p. (In Russian)Домащенко Д.В., Никулин Э.Е. Прогнозирование рядов динамики рыночных индикаторов на основе нелинейной авторегрессионной нейронной сети // Статистика и экономика. 2017. N 3. С. 4-9. Doi: 10.21686/2500-3925-2017-3-4-9Domashhenko D.V., Nikulin E.E. Forecasting time series of the market indicators based on a nonlinear autoregressive neural network. Statistics and Economics, 2017, no. 3, pp. 4-9. (In Russian) Doi: 10.21686/2500-3925-2017-3-4-9Труфанов А.И. Формирование железистых подземных вод. Москва: Наука, 1982. 131 с.Trufanov А.I. Formirovanie zhelezistykh podzemnykh vod [Formation of ferruginous groundwaters]. Moscow, Nauka Publ., 1982, 131 p. (In Russian)Васильчук Т.А., Осипенко В.П. Компонентный состав растворенных органических веществ природных поверхностных вод с высокой цветностью // Гiдрологiя, гiдрохiмiя и гiдроeкологiя. 2010. Т. 3. N 20. C. 136-141.Vasilchuk T.А., Osypenko V.P. Component content of dissolved organic matter of the highly coloured surface water. Gidrologiya, gidrokhimiya i gidroehkologiya [Hydrology, hydrochemistry and hydroecology]. 2010, vol. 3, no. 20, pp. 136-141. (In Russian)Крючин О.В., Козадаев А.С., Дудаков В.П. Прогнозирование временных рядов с помощью искусственных нейронных сетей и регрессионных моделей на примере прогнозирования котировок валютных пар // Исследовано в России. 2010. N 30. URL: https://s3.amazonaws.com/academia.edu.documents/30915193/030.pdf?AWSAccessKeyId=AKIAIWOWYYGZ2Y53UL3A&Expires=1537347148&Signature=mn85sr3INFbxVkypvElCbl%2FB%2FBU%3D&response-content-disposition=inline%3B%20filename%3D30915193.pdf (дата обращения: 19.09.2018)Kryuchin O.V., Kozadaev А.S., Dudakov V.P. Forecasting time series using artificial neural networks and regression models based on the forecasting of quotations of currency pairs. Issledovano v Rossii, 2010, no. 30, (In Russian) Available at:https://s3.amazonaws.com/academia.edu.documents/30915193/030.pdf?AWSAccessKeyId=AKIAIWOWYYGZ2Y53UL3A&Expires=1537347148&Signature=mn85sr3INFbxVkypvElCbl%2FB%2FBU%3D&response-content-disposition=inline%3B%20filename%3D30915193.pdf (accessed 19.09.2018)Сериков Л.В., Шиян Л.Н., Тропина Е.А., Хряпов П.А. Цветность подземных вод Западно-Сибирского региона // Известия Томского политехнического университета. 2009. N 3. С. 54-58.Serikov L.V., Shiyan L.N., Tropina E.А., Khryapov P.А. Chromaticity of ground water in West-Siberian region. Izvestiya Tomskogo politekhnicheskogo universiteta [Bulletin of the Tomsk Polytechnic University]. 2009, no. 3, pp. 54-58. (In Russian)Жигалова А.В., Кантор И.В., Вождаева М.Ю., Кантор Е.А. Влияние попусков Павловского водохранилища на мутность и цветность в створах водозаборов города Уфы // Материалы XIX Международной молодежной научно-практической конференции «Научные исследования и разработки молодых ученых», Новосибирск, 16-17 июня, 2017. С. 67-71.Zhigalova А.V., Kantor I.V., Vozhdaeva M.Yu., Kantor E.А. Vliyanie popuskov Pavlovskogo vodokhranilishcha na mutnost' i tsvetnost' v stvorakh vodozaborov goroda Ufy [Influence of releases of the Pavlovsk reservoir on turbidity and chromaticity in the water intake points of the city of Ufa]. Materialy XIX Mezhdunarodnoi molodezhnoi nauchno-prakticheskoi konferentsii «Nauchnye issledovaniya i razrabotki molodykh uchenykh», Novosibirsk, 16-17 iyunya, 2017 [Materials of the XIX International Youth Scientific and Practical Conference "Research and development of young scientists", Novosibirsk, 16-17 June 2017]. Novosibirsk, 2017, pp. 67-71. (In Russian)Ялалетдинова А.В., Еникеева Л.В., Вождаева М.Ю., Кантор Е.А. Статистические характеристики взаимосвязи мутности и расходов воды в реке, вызванных попусками водохранилища // Теоретическая и прикладная экология. 2018. N 1. С. 33-42.Yalaletdinova А.V., Enikeeva L.V., Vozhdayeva M.Yu., Kantor E.А. Statistical characteristics of relationships between turbidity and water flow rate caused by releases of the water reser voir. Teoreticheskaya i prikladnaya ekologiya [Theoretical and Applied Ecology]. 2018, no. 1, pp. 33-42. (In Russian)Потылицына Е.Н., Липинский Л.В., Сугак Е.В. Использование искусственных нейронных сетей для решения прикладных экологических задач // Современные проблемы науки и образования. 2013. N 4. С. 1-8. URL: https://www.scienceeducation.ru/ru/article/view?id=9779 (дата обращения: 17.08.2018)Potylitsyna E.N., Lipinskiy L.V., Sugak E.V. The use of artificial neural networks for applied environmental problems. Sovremennye problemy nauki i obrazovaniya, 2013, no. 4, pp. 1-8. (In Russian) Available at: https://www.science-education.ru/ru/article/view?id=9779 (accessed 17.08.2018)Kurunç A., Yürekli K., Çevik O. Performance of two stochastic approaches for forecasting water quality and streamflow data from Yeşilιrmak River, Turkey // Environmental Modelling & Software. 2005. Vol. 20. Iss. 9. P. 1195-1200. Doi: 10.1016/j.envsoft.2004.11.001Kurunç A., Yürekli K., Çevik O. Performance of two stochastic approaches for forecasting water quality and streamflow data from Yeşilιrmak River, Turkey. Environmental Modelling & Software, 2005, vol. 20, iss. 9, pp. 1195-1200. Doi: 10.1016/j.envsoft.2004.11.001Hernández N., Camargo J., Moreno F., Plazas-Nossa L., Torres A. Arima as a forecasting tool for water quality time series measured with UV-Vis spectrometers in a constructed wetland // Tecnología y Ciencias del Agua. 2017. V. 8. N 5. P. 127-139. Doi: 10.24850/j-tyca-2017-05-09Hernández N., Camargo J., Moreno F., Plazas-Nossa L., Torres A. Arima as a forecasting tool for water quality time series measured with UV-Vis spectrometers in a constructed wetland. Tecnología y Ciencias del Agua, 2017, vol. 8, no. 5, pp. 127-139. Doi: 10.24850/j-tyca-2017-05-09Park S.-H., Koo J. Sedimentation Process Modeling using Transfer Function ARIMA for Water Quality Diagnosis and Prediction // Advanced Science and Technology Letters. 2015. V. 99. N 1. P. 97-100. Doi: 10.14257/astl.2015.99.24Park S.-H., Koo J. Sedimentation Process Modeling using Transfer Function ARIMA for Water Quality Diagnosis and Prediction. Advanced Science and Technology Letters, 2015, vol. 99, no. 1, pp. 97-100. Doi: 10.14257/astl.2015.99.24Бахвалов Н.С., Жидков Н.П., Кобельников Г.М. Численные методы. Москва: БИНОМ. Лаборатория знаний, 2006. 636 с.Bakhvalov N.S., Zhidkov N.P., Kobelnikov G.M. Chislennye metody [Numerical methods]. Moscow, BINOM Publ., 2006, 636 p. (In Russian)Jiang C., Song F. Sunspot Forecasting by Using Chaotic Time-series Analysis and NARX Network // Journal of Computers. 2011. V. 6. Iss. 7. P. 1424-1429. Doi: 10.4304/jcp.6.7.1424-1429Jiang C., Song F. Sunspot Forecasting by Using Chaotic Time-series Analysis and NARX Network. Journal of Computers, 2011, vol. 6, iss. 7, pp. 1424-1429. Doi: 10.4304/jcp.6.7.1424-1429Sarkar A., Pandey P. River Water Quality Modelling using Artificial Neural Network Technique // Aquatic Procedia. 2015. V. 4. P. 1070-1077. Doi: 10.1016/j.aqpro.2015.02.135Sarkar A., Pandey P. River Water Quality Modelling using Artificial Neural Network Technique. Aquatic Procedia, 2015, vol. 4, pp. 1070-1077. Doi: 10.1016/j.aqpro.2015.02.135Khandelwal I., Adhikari R., Verma G. Time Series Forecasting Using Hybrid ARIMA and ANN Models Based on DWT Decomposition // Procedia Computer Science. 2015. V. 48. P. 173- 179. Doi: 10.1016/j.procs.2015.04.167Khandelwal I., Adhikari R., Verma G. Time Series Forecasting Using Hybrid ARIMA and ANN Models Based on DWT Decomposition. Procedia Computer Science, 2015, vol. 48, pp. 173- 179. Doi: 10.1016/j.procs.2015.04.167Babu C.N., Reddy B.C. A moving-average filter based hybrid ARIMA-ANN model for forecasting time series data // Applied Soft Computing. 2014. V. 23. P. 27-38. Doi: 10.1016/j.asoc.2014.05.028Babu C.N., Reddy B.C. A moving-average filter based hybrid ARIMA-ANN model for forecasting time series data. Applied Soft Computing, 2014, vol. 23, pp. 27-38. Doi: 10.1016/j.asoc.2014.05.028Araya F.K., Zhang L. Time series analysis of water quality parameters at Stillaguamish River using order series method // Stochastic Environmental Research and Risk Assessment. 2015. V. 29. Iss. 1. P. 227-239. Doi: 10.1007/s00477-014-0907-2Araya F.K., Zhang L. Time series analysis of water quality parameters at Stillaguamish River using order series method. Stochastic Environmental Research and Risk Assessment, 2015, vol. 29, iss. 1, pp. 227-239. Doi: 10.1007/s00477-014-0907-2Мироновская А.В., Унгуряну Т.Н., Гудков А.Б. Роль природно-климатических и экологических факторов в возникновении неотложных состояний сердечно-сосудистой системы: анализ временного ряда // Экология человека. 2010. N 9. С. 13-17.Mironovskaya А.V., Unguryanu T.N., Gudkov А.B. Role of natural-climatic and ecological factors in appearance of emergency states of cardiovascular system: time series analysis. Ekologiya cheloveka [Human Ecology]. 2010, no. 9, pp. 13-17. (In Russian)Кирюхин В.К., Мелькановицкая С.Г., Швец В.М. Определение органических веществ в подземных водах. М.: Недра, 1976. 192 с.Kiryukhin V.K., Mel'kanovitskaya S.G., Shvets V.M. Opredelenie organicheskikh veshchestv v podzemnykh vodakh [Determination of organic substances in groundwater]. Moscow, Nedra Publ., 1976, 192 p.(In Russian)Darrat A.F., Zhong M. On testing the random walk Hypothesis: A model-comparison approach // Financial Review. 2000. V. 35. Iss. 3. P. 105-124. Doi: 10.1111/j.1540-6288.2000.tb01423.xDarrat A.F., Zhong M. On testing the random walk Hypothesis: A model-comparison approach. Financial Review, 2000, vol. 35, iss. 3, pp. 105-124. Doi: 10.1111/j.1540-6288.2000.tb01423.xOlden J.D. An artificial neural network approach for studying phytoplankton succession // Hydrobiologia. 2000. V. 436. Iss. 1-3. P. 131-143.Olden J.D. An artificial neural network approach for studying phytoplankton succession. Hydrobiologia, 2000, vol. 436, iss. 1-3, pp. 131-143.

The authors declare that there are no conflicts of interest present.