Tekil spektrum analizi, uzun kısa-süreli bellek ağları ve geçişli tekrarlayan birim ağları ile nehir akım tahmini

Abstract

TEKİL SPEKTRUM ANALİZİ, UZUN KISA-SÜRELİ BELLEK AĞLARI VE GEÇİŞLİ TEKRARLAYAN BİRİM AĞLARI İLE NEHİR AKIM TAHMİNİKazım Bekir NURALANErciyes Üniversitesi, Fen Bilimleri EnstitüsüYüksek Lisans Tezi, Ağustos 2023Danışman: Doç. Dr. Levent LATİFOĞLUÖZETSu yapılarının planlanması ve yönetiminde nehir akım tahminleri önemli bir yere sahiptir. Lineer olmayan ve durağan olmayan karaktere sahip nehir akım verilerinin doğru tahmini zorlu bir problemdir. Son yıllarda veri tabanlı teknikler, nehir akım problemlerinde yoğun olarak kullanılmaktadır. Bu tez çalışmasında popüler olarak kullanılmaya başlanan Derin Sinir Ağlarından Uzun – Kısa Süreli Bellek (Long-Short Term Memory, LSTM) Ağları ve Geçitli Tekrarlayan Birim Ağları (Gated Recurrent Unit, GRU)ile nehir akım bir ileri ve iki ileri adım tahmini gerçekleştirilmiştir. Tahmin performansını artırmak üzere zaman serilerinin analizinde önemli bir yer tutan Tekil Spektrum Analizi (TSA) kullanılarak alt bant verileri elde edilmiştir. Nehir akım tahmin verisine ait TSA altbant verilerinin LSTM ağları ve GRU ağları ile bir ileri ve iki ileri adım tahmin çalışması gerçekleştirilmiştir. Önerilen TSA-LSTM modeli kullanılarak aylık verilerin bir ileri tahmin çalışmasında 0.0021 Ortalama Karesel Hata (MSE), 0.0361 Ortalama Mutlak Hata (MAE),0.9710 Korelasyon (R) ve 0.958 Belirlilik Katsayısı (R2) değerleri elde edilmiştir. TSA-GRU modeli kullanılarak günlük akımların bir ileri tahmin çalışmasında 0.00013MSE, 0.00707MAE,0.99601R ve 0.9920 R2 değerler ile yüksek performanslı tahmin verisi elde edilmiştir.TSA-GRU modeli ile günlük akımların iki ileri tahmin çalışmasında 0.00052MSE, 0.01195MAE,0.9841 R ve 0.9684 R2 değerleri, aylık akımların iki ileri tahmin çalışmasında ise 0.005546MSE, 0.05503MAE,0.9073R ve 0.8232 R2 değeri elde edilmiştir. Bu sonuçlara göre aylık verilerin bir ileri tahmininde TSA-LSTM modelinin, günlük verilerin bir ve iki ileri tahmini ile aylık verilerin iki ileri tahmininde TSA-GRU modelinin tahmin performansının oldukça başarılı olduğu görülmüştür.Anahtar Kelimeler: Nehir akım tahmini, Derin Sinir Ağları, Uzun Kısa-Süreli Bellek Ağları, Geçitli Tekrarlayan Birim,Tekil Spektrum Analizi

FORECASTING OF STREAM FLOW USING SINGULAR SPECTRUM ANALYSIS, LONG SHORT-TERM MEMEORY NETWORKS AND GATED RECURRENT UNIT NETWORKSKazim Bekir NURALANErciyes University, Graduate School of Natural andAppliedSciencesMaster Thesis, August 2020Supervisor: Assoc. Prof. Dr. Levent LATİFOĞLUABSTRACTStream flow estimation has an important role in the planning and management of water resources.Accurate estimation of stream flow data, that is characterised non-linearandnon-stationary, is a challengin gproblem. Inrecentyears, data-basedtechniqueshavebeenusedextensively in forecasting of streamflow.Inthisstudy, stream flow estimation wa smade with the Long-ShortTerm Memory (LSTM) Networks and Gated Recurrent Unit (GRU) Networks from Deep Neural Networks, which were used as popular. Subband data was obtained by using Single Spectrum Analysis (SSA), which plays an important role in the analysis of time series in order to increase the forecast performance. As a result of estimation of SSA subband data of streamflow forecasting data with LSTM network and GRU network, one ahead and two ahead forecasting study were carriedout. Using the proposed TSA-LSTM model, in a one-step-ahead prediction study of monthly data, Average Mean Squared Error (MSE) of 0.0021, Average Absolute Error (MAE) of 0.0361, Correlation (R) of 0.9710, and Coefficient of Determination (R2) of 0.958 were obtained. By employing the TSA-GRU model for one-step-ahead prediction of daily stream flows, highly performant prediction results were achieved, yielding MSE of 0.00013, MAE of 0.00707, R of 0.99601, and R2 of 0.9920. For two-step-ahead prediction of daily stream flow using the TSA-GRU model, MSE of 0.00052, MAE of 0.01195, R of 0.9841, and R2 of 0.9684 were obtained. Similarly, for two-step-ahead prediction of monthly flows, MSE of 0.005546, MAE of 0.05503, R of 0.9073, and R2 of 0.8232 were achieved. Based on these results, it is evident that the TSA-LSTM model excels in one-step-ahead prediction of monthly data, while the TSA-GRU model demonstrates remarkable prediction performance in one and two-step-ahead prediction of daily stream flow data, as well as in two-step-ahead prediction of monthly stream flow data.Keywords:Streamflowforecasting, DeepNeural Networks, LongShort-Term Memory Neural Networks, Gated Recurrent Unit Networks, SingularSpectrumAnalysis