Yeşilırmak nehri akış verisi tahmininin yapay sinir ağları kullanılarak karınca aslanı algoritması ile zaman gecikmesi boyutunun optimizasyonu

Abstract

Günümüzde suya olan talebin artması, mevcut su kaynaklarının korunması ve projelendirilmesi konusunu çok önemli hale getirmiştir. Projelendirme aşamasının en uygun şekilde yapılabilmesi için veri toplama, analiz etme ve gelecek verilerin tahmini gereklidir. Gelecek verilerin tahmin edilebilmesi için pek çok yöntem geliştirilmiştir. Bu çalışmada Yeşilırmak Nehri üzerinde bulunan 3 adet istasyonun gelecek dönemdeki akış miktarlarının yapay sinir ağları ile tahmin edilmesi amaçlanmıştır. Yapay sinir ağları (YSA) ile zaman serisi analizi yapılırken geriye dönük olarak kaç dönemlik verinin kullanılması gerektiği problemin başarısını doğrudan etkilemektedir. Geriye dönük olarak bakılan veri sayısı (zaman gecikmesi) bir optimizasyon problemi olarak ele alınabilmektedir. Bu aşamada Karınca Aslanı Algoritması (KAA) kullanılarak, zaman gecikmesi boyutunun optimize edilmesi gerçekleştirilmiştir. Zaman gecikmesine ek olarak yapay sinir ağlarında kullanılan gizli katman sayısı da modele eklenerek optimize edilmiştir. Elde edilen sonuçlara bakıldığında; YSA ile birlikte sezgisel optimizasyon tekniklerinin kullanılmasının modelin başarısını artırdığı sonucuna varılmıştır

Today, the increase in demand for water has made it very important to preserve and design the existing water resources. Data collection, analysis and forecasting of future data are required for optimum project planning. Many methods have been developed to predict future data. In this study, it is aimed to estimate the flow rates of 3 stations on Yeşilırmak River by artificial neural networks. The success of the problem directly affects how many periods of data should be used retrospectively when performing time series analysis with artificial neural networks. The number of data retrospectively (time delay) can be considered as an optimization problem. At this stage, time lag size optimization was performed by using Ant lion algorithm. In addition to time delay, the number of hidden layers used in artificial neural networks has been optimized by adding to the model. When the results obtained are examined; It was concluded that the use of heuristic optimization techniques together with ANN increased the success of the model.