Advanced genetic programming models for precipitation forecasting
Yağış tahmini için gelişmiş genetik programlama modelleri
- Tez No: 956911
- Danışmanlar: PROF. DR. ALI DANANDEH MEHR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Antalya Bilim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Yağış tahmini, hidrolojik süreçlerin doğrusal olmayan ve dinamik doğası nedeniyle karmaşık bir zorluktur. Bu tez, kısa vadeli yağış tahmini için genetik programlama (GP) ile dalgacık (wavelet) tabanlı sinyal ayrıştırmayı birleştiren gelişmiş bir hibrit modelleme yaklaşımı önermektedir. Çalışmada, 2016–2023 yılları arasında Antalya, Türkiye'den alınan sıcaklık, nem, deniz seviyesi basıncı, rüzgar hızı, güneş radyasyonu ve yağış gibi meteorolojik değişkenleri içeren veri seti kullanılmıştır. Ham veriler, normalizasyon, eksik değerlerin giderilmesi ve aykırı değerlerin düzeltilmesi yoluyla ön işlemden geçirilmiştir. Ardından, çok ölçekli bileşenleri çıkarmak için hem ham hem de gecikmeli meteorolojik değişkenlere dalgacık ayrıştırması uygulanmıştır. Çalışmada, ham girdiler, gecikmeli özellikler ve dalgacıkla dönüştürülmüş verilerin çeşitli kombinasyonlarını kullanan GP modelleri geliştirilmiş ve değerlendirilmiştir. Model performansı, Ortalama Kök Kare Hata (RMSE) ve Nash-Sutcliffe Verimlilik Katsayısı (NSE) ile ölçülmüştür. Bulgular, dalgacık ayrıştırması kullanılmadan gecikmeli meteorolojik değişkenlerle eğitilen GP modelinin en iyi tahmin performansını gösterdiğini ortaya koymaktadır. Buna karşılık, dalgacık bileşenlerini entegre eden modeller, artan girdi karmaşıklığı nedeniyle daha düşük doğruluk sergilemiştir. Korelasyon analizine dayalı değişken seçimi ise model verimliliğini, doğruluktan ödün vermeden artırmıştır. Genel olarak, çalışma GP tabanlı modellerin yağış tahmininde güçlü bir potansiyele sahip olduğunu ve zamansal bilgilerin ve değişken seçiminin önemini vurgulamaktadır. Gelecek araştırmalarda, alternatif hibrit stratejiler ve gelişmiş değişken mühendisliği yöntemlerinin incelenmesi önerilmektedir. ANAHTAR KELIMELER: Genetik Programlama, Dalgacık Ayrıştırması, Yağış Tahmini, Sembolik Regresyon, Değişken Seçimi, Antalya
Özet (Çeviri)
Rain forecasting is an intricate task as hydrological processes tend to be nonlinear and dynamic. This thesis formulates an improved hybrid model technique for forecasting short-term precipitation by integrating genetic programming (GP) and wavelet-based signal decomposition. The meteorological parameters of Antalya, Turkey, were employed here and analyzed between 2016 and 2023, covering variables such as temperature, humidity, sea-level pressure, wind speed, solar radiation, and precipitation. The raw data were initially preprocessed by performing normalization, treating missing values, and eliminating outliers. Next, meteorological variables were used for wavelet decomposition to form the multi-scale components of the raw and lagged data. The description of principles and the development of several GP models were completed. These GP models were tested with different combinations of inputs, lagged data, and wavelet-cellulated data. The model assessment measures were calculated for each model, including the RMSE and NSE scores, to decide which model outperforms the others. The outcome clearly shows that the GP model integrating temporal features but excluding the wavelet transformation provided the most precise prediction, while the models with wavelet components portrayed lower performance due to the domination of the complexity of the inputs. The model's efficiency was significantly increased via the feature selection based on the correlation analysis approach without any loss of model accuracy. In general, the study underlines the possibility of GP-based models to be used in the case of rainfall forecasting tasks, and the importance of temporal information and feature selection is discussed. In the future, further studies should be conducted to test different hybrid strategies and feature engineering methods that might improve forecasting accuracy. KEYWORDS: Genetic programming, wavelet decomposition, rainfall forecasting, symbolic regression, feature selection, Antalya
Benzer Tezler
- Batarya şarj doluluk durumu model parametresinin G.E.P. ile tahmin edilmesi
Estimation of battery state of charge model parameter using G.E.P
MEHMET SAİT AVGIN
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. A. SERDAR YILMAZ
- Sürdürülebilir toplu konut yerleşmesi tasarımı için Pareto genetik algoritmaya dayalı bir model önerisi: SSPM
A model for sustainable site layout design with pareto genetic algorithm: SSPM
YAZGI AKSOY
- Elektrik dağıtım sistemlerinde birey odaklı konfor öncelikli talep yönetimi için akıllı yöntem geliştirilmesi
Developing an intelligent method for the user oriented comfort based demand response studies in the electricity distribution systems
MEHMET ALİ SÖNMEZ
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA BAĞRIYANIK
- A holistic approach for workforce scheduling and routing problem
İşgücü planlama ve yönlendirme problemi için bütünsel bir yaklaşım
KEREM CAN MANALP
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Ekonomi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KUTLUHAN EROL
- İnsan gen yolaklarında ikâme modelleme ve makine öğrenmesi kullanarak varyant analizi
Variant analysis in human gene networks using surrogate modelling and machine learning
FURKAN AYDIN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA