Preview

Юг России: экология, развитие

Расширенный поиск

ПРОГНОЗИРОВАНИЕ ЗНАЧЕНИЙ ЦВЕТНОСТИ ПИТЬЕВЫХ И ИСХОДНЫХ ВОД С ПОМОЩЬЮ ARIMA-МОДЕЛИ И НЕЙРОННОЙ СЕТИ

https://doi.org/10.18470/1992-1098-2019-1-159-168

Полный текст:

Аннотация

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

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

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.

Об авторах

Д. В. Макаров
Уфимский государственный нефтяной технический университет
Россия

Дмитрий В. Макаров, аспирант кафедры «Прикладная экология»

Уфа



Е. А. Кантор
Уфимский государственный нефтяной технический университет
Россия

Евгений А. Кантор, доктор химических наук, профессор

Уфа



Н. А. Красулина
Уфимский государственный нефтяной технический университет
Россия

Наталья А. Красулина, кандидат химических наук, доцент

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



А. В. Греб
Уфимский государственный нефтяной технический университет
Россия

Андрей В. Греб, кандидат технических наук, доцент

Уфа



З. З. Бережнова
Уфимский государственный нефтяной технический университет
Россия

Зульфия З. Бережнова, старший преподаватель

Уфа



Список литературы

1. ГОСТ 31868-2012. Вода. Методы определения цветности. М.: Стандартинформ, 2012. 7 с.

2. 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: 10.21686/2500-3925-2017-3-4-9

3. Труфанов А.И. Формирование железистых подземных вод. Москва: Наука, 1982. 131 с.

4. 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.

5. 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)

6. 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.

7. 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.

8. 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.

9. 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)

10. 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.2004.11.001

11. Hernández 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-2017-05-09

12. Park 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.2015.99.24

13. Бахвалов Н.С., Жидков Н.П., Кобельников Г.М. Численные методы. Москва: БИНОМ. Лаборатория знаний, 2006. 636 с.

14. 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.6.7.1424-1429

15. Sarkar 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.2015.02.135

16. Khandelwal 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.2015.04.167

17. Babu 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.2014.05.028

18. Araya 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/s00477-014-0907-2

19. Мироновская 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.

20. Кирюхин В.К., Мелькановицкая С.Г., Швец В.М. Определение органических веществ в подземных водах. М.: Недра, 1976. 192 с.

21. 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.x

22. Olden J.D. An artificial neural network approach for studying phytoplankton succession // Hydrobiologia. 2000. V. 436. Iss. 1-3. P. 131-143.


Для цитирования:


Макаров Д.В., Кантор Е.А., Красулина Н.А., Греб А.В., Бережнова З.З. ПРОГНОЗИРОВАНИЕ ЗНАЧЕНИЙ ЦВЕТНОСТИ ПИТЬЕВЫХ И ИСХОДНЫХ ВОД С ПОМОЩЬЮ ARIMA-МОДЕЛИ И НЕЙРОННОЙ СЕТИ. Юг России: экология, развитие. 2019;14(1):159-168. https://doi.org/10.18470/1992-1098-2019-1-159-168

For citation:


Makarov D.V., Kantor E.A., Krasulina N.A., Greb A.V., Berezhnova Z.Z. FORECASTING VALUES OF CHROMATICITY OF DRINKING AND SOURCE WATERS USING ARIMA MODEL AND NEURAL NETWORK. South of Russia: ecology, development. 2019;14(1):159-168. (In Russ.) https://doi.org/10.18470/1992-1098-2019-1-159-168

Просмотров: 57


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1992-1098 (Print)
ISSN 2413-0958 (Online)