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

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.

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.