Comparison of Long-Short Term Memory and Gated Recurrent Unit Based Deep-Learning Models in Prediction of Streamflow Using Machine Learning
[ X ]
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Osman SAĞDIÇ
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Dünya nüfusundaki artış ve bunun sonucunda ortaya çıkan su ve enerji talebi, su kaynakları üzerinde artan bir baskı oluşturmaktadır. Makine öğrenmesi (ML), nehir akışlarını tahmin etmede etkin bir rol oynamaktadır. ML yöntemlerinden olan tekrarlayan sinir ağı (RNN) modeli, tekrarlayan veri setlerinde kaybolan gradyan sorunu nedeniyle yetersiz kalmıştır. Uzun kısa süreli bellek ağları (LSTM), ağ hücrelerinin önceden depolanmış belleklerinin bir kısmını unutmasına izin verir. Diğer bir yöntem olan geçitli tekrarlayan birim (GRU) ise hafızayı günceller ve kayıp problemini çözer. GRU'nun eğitim parametresi daha az olduğu ve daha az bellek kullandığı için hızlıdır, LSTM modelinde ise daha uzun diziler kullanıldığından veri kümesinde daha doğrudur. Fırat Nehri üzerindeki (E21A035) Bulam akış ölçüm istasyonunun (FMS) (2000-2009) akış verilerinden elde edilen veri seti orta büyüklükte ve tekrarlayan değerlere sahip olduğundan çalışmada bu iki model bu istasyondan elde edilen veriler ile karşılaştırılmıştır. Çalışma için Adadelta, Adagrad, FTRL, SGD, RMSprop, Nadam, Adamax, Adam iyileştiricileri test edilmiştir. R2, MAE, RMSE istatistiksel değerlendirme kriterleri göz önüne alındığında Adam ve Adamax optimize edicilerin daha iyi sonuçlar verdiği görülmüş ve verilere en uygun olan bu iyileştiricilerin kullanılmasına karar verilmiştir. Çalışmada MAE, MSE ve LogCosh kayıp fonksiyonları kullanılmıştır. LSTM ve GRU modellerinin performansı analiz edildiğinde, GRU modelinden daha iyi sonuçlar elde edildiği, 0.3346 RMSE, 0.1464 MAE ve 0.9718 R2 değerleri ile gözlemlenmiştir.
Dünya nüfusundaki artış ve bunun sonucunda ortaya çıkan su ve enerji talebi, su kaynakları üzerinde artan bir baskı oluşturmaktadır. Makine öğrenmesi (ML), nehir akışlarını tahmin etmede etkin bir rol oynamaktadır. ML yöntemlerinden olan tekrarlayan sinir ağı (RNN) modeli, tekrarlayan veri setlerinde kaybolan gradyan sorunu nedeniyle yetersiz kalmıştır. Uzun kısa süreli bellek ağları (LSTM), ağ hücrelerinin önceden depolanmış belleklerinin bir kısmını unutmasına izin verir. Diğer bir yöntem olan geçitli tekrarlayan birim (GRU) ise hafızayı günceller ve kayıp problemini çözer. GRU'nun eğitim parametresi daha az olduğu ve daha az bellek kullandığı için hızlıdır, LSTM modelinde ise daha uzun diziler kullanıldığından veri kümesinde daha doğrudur. Fırat Nehri üzerindeki (E21A035) Bulam akış ölçüm istasyonunun (FMS) (2000-2009) akış verilerinden elde edilen veri seti orta büyüklükte ve tekrarlayan değerlere sahip olduğundan çalışmada bu iki model bu istasyondan elde edilen veriler ile karşılaştırılmıştır. Çalışma için Adadelta, Adagrad, FTRL, SGD, RMSprop, Nadam, Adamax, Adam iyileştiricileri test edilmiştir. R2, MAE, RMSE istatistiksel değerlendirme kriterleri göz önüne alındığında Adam ve Adamax optimize edicilerin daha iyi sonuçlar verdiği görülmüş ve verilere en uygun olan bu iyileştiricilerin kullanılmasına karar verilmiştir. Çalışmada MAE, MSE ve LogCosh kayıp fonksiyonları kullanılmıştır. LSTM ve GRU modellerinin performansı analiz edildiğinde, GRU modelinden daha iyi sonuçlar elde edildiği, 0.3346 RMSE, 0.1464 MAE ve 0.9718 R2 değerleri ile gözlemlenmiştir.
Dünya nüfusundaki artış ve bunun sonucunda ortaya çıkan su ve enerji talebi, su kaynakları üzerinde artan bir baskı oluşturmaktadır. Makine öğrenmesi (ML), nehir akışlarını tahmin etmede etkin bir rol oynamaktadır. ML yöntemlerinden olan tekrarlayan sinir ağı (RNN) modeli, tekrarlayan veri setlerinde kaybolan gradyan sorunu nedeniyle yetersiz kalmıştır. Uzun kısa süreli bellek ağları (LSTM), ağ hücrelerinin önceden depolanmış belleklerinin bir kısmını unutmasına izin verir. Diğer bir yöntem olan geçitli tekrarlayan birim (GRU) ise hafızayı günceller ve kayıp problemini çözer. GRU'nun eğitim parametresi daha az olduğu ve daha az bellek kullandığı için hızlıdır, LSTM modelinde ise daha uzun diziler kullanıldığından veri kümesinde daha doğrudur. Fırat Nehri üzerindeki (E21A035) Bulam akış ölçüm istasyonunun (FMS) (2000-2009) akış verilerinden elde edilen veri seti orta büyüklükte ve tekrarlayan değerlere sahip olduğundan çalışmada bu iki model bu istasyondan elde edilen veriler ile karşılaştırılmıştır. Çalışma için Adadelta, Adagrad, FTRL, SGD, RMSprop, Nadam, Adamax, Adam iyileştiricileri test edilmiştir. R2, MAE, RMSE istatistiksel değerlendirme kriterleri göz önüne alındığında Adam ve Adamax optimize edicilerin daha iyi sonuçlar verdiği görülmüş ve verilere en uygun olan bu iyileştiricilerin kullanılmasına karar verilmiştir. Çalışmada MAE, MSE ve LogCosh kayıp fonksiyonları kullanılmıştır. LSTM ve GRU modellerinin performansı analiz edildiğinde, GRU modelinden daha iyi sonuçlar elde edildiği, 0.3346 RMSE, 0.1464 MAE ve 0.9718 R2 değerleri ile gözlemlenmiştir.
Açıklama
Anahtar Kelimeler
streamflow, long short term memory, gated recurrent unit
Kaynak
Avrupa Bilim ve Teknoloji Dergisi
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
38
