Abstract:
يتناول هذا البحث التنبؤ باستخدام تحليل السلاسل الزمنية باتجاهين الأول باتجاه الزمن والذي يتمثل في نماذج بوكس-جنكنز والإتجاه الأخر يتمثل في نماذج الشبكات العصبية الإصطناعية وذلك لبناء نموذج للتنبؤ بتصاريف الأنهار بالتطبيق على تصاريف محطة الديم التي تغذي خزان الرصيرص على نهر النيل الازرق بالسودان للفترة .
يهدف البحث لإستخدام اسلوبي بوكس-جنكنز والشبكات العصبية في بناء نموذج للتنبؤ بالتصاريف. والى مقارنة الاسلوبين لمعرفة مدى كفاءتهما في الحصول على دقة عالية للتنبؤات المستقبلية. تتمثل فرضية البحث في أن السلسلة الزمنية للتصاريف خطية ومستقرة وأن نماذج بوكس-جنكنز والشبكات العصبية الاصطناعية نماذج ملائمة لبيانات التصاريف قيد البحث.
توصل البحث الى أن أفضل نموذج للتنبؤ بالتصاريف باسلوب بوكس-جنكنز من بين نماذج هو نموذج . وتعد شبكة البيرسبترون متعدد الطبقات التي تكونت بنيتها المعمارية من ثلاث طبقات ( مدخلات , خفية ومخرجات) أي أن البنية المعماريةللشبكة هي افضل نماذج الشبكات العصبية لسلسلة التصاريف. تأثرت نتائج الاسلوبين بعدم سكون السلسلة المدروسة ولكن اسلوب بوكس-جنكنز في هذا البحث أظهر كفاءة أفضل من اسلوب الشبكات العصبية حيث توجد العديد من المشاكل والصعوبات التي تواجه تطبيق الشبكات العصبية في مجال تحليل السلاسل الزمنية , مثل عدم وجود طرق وقواعد واضحة لبناء النموذج , عدم وجود طرق إحصائية لحساب معنوية النماذج عند التطبيق الإحصائي كذلك لا توجد قاعدة ثابتة لتحديد نوعية المدخلات بل تخضع للتجريب . وتظهرنتائج التنبؤ للاعوام القادمة باستخدام نموذج بوكس-جنكنز وجود تناقص في كميةالمياه خلال الاعوام الاولى من قترة التنبؤ ثم تصبح كمية المياه شبه ثابتة في بقية الفترة. اما نتائج التنبؤ باستخدام نموذج الشبكات العصبية يظهر ان التصاريف في بداية الفترة تبدو متذبذة ثم تصبح بعد ذلك شبه ثابته اي لايوجد اتجاه تزايدي واضح في السنوات القادمة. توصي الدراسة باستخدام الاسلوبين بعد عدد من السنوات لمعرفة النموذج الامثل للتنبؤ بالتصاريف. و توصي كذلك بتطبيق نماذج احصائية تقليدية اخرى تستخدم في التنبؤ مثل الانحدار على سلسلة التصاريف, من اجل مقارنة نتائجها بنتائج نماذج الشبكات العصبية. كما توصي بتجريب عدد أكبر من : معماريات الشبكات العصبية, أنواع مختلفة من دوال التنشيط , خوارزميات التدريب و مدخلات أخرى بالاضافة لإستخدام نماذج أخرى من الشبكات العصبية وزيادة تكرار التدريب من أجل تحسين أداء الشبكات العصبية في تحليل السلاسل الزمنية.