Predicting air temperature and relative humidity using a statistical inductive learning simulator توقع درجة الحرارة والرطوبة النسبية للهواء باستعمال نموذج المحاكاة الاستقرائي الإحصائي

Abstract

يقدم هذا البحث طريقة لاحتساب توقعات ورؤية وحدة القياسات لدرجة الحرارة اليومية وكذلك درجة الرطوبة النسبية القصوى لشركة كهرباء المنطقة الشرقية في المملكة العربية السعودية عن طريق استعمال نموذج المحاكاة من التعلم الاستقرائي الإحصائي تحتوي البيانات على 36 بيانا لحالة الطقس اليومية (وحدة القياس المتري) المتوفرة عن طريق البيانات المدونة من قبل الأرصاد الجوية بالمنطقة الشرقية في المملكة العربية السعودية وقد تم استعمال برنامج نموذج المحاكاة من التعلم الاستقرائي الإحصائي لإيجاد وتوفير بيانات تلقائية عن طريق التدريب والتقييم حيث أن النتيجة هي الوصول إلى علاقة وثيقة بين كل من المدخلات والمخرجات في التوظيف التلقائي مبنيا على النموذج الإحصائي لقد ركزت الدراسة على تهيئة نماذج مختلفة كمثل جهاز المضاعف المعقد وعدد الطبقات وحجم الطبقات الاستقرائية التي تعتبر جزءا من البرنامج هذا وقد تم تنظيم البيانات لتلائم الأعداد المختلفة لوحدات القياس المترية وعولجت إما عن طريق نماذج التفكيك أو عن طريق نماذج التركيب حتى يتم التوصل إلى النموذج الأمثل ولقد تم توفير بيانات الطقس اليومية للحد الأقصى لدرجات الحرارة اليومية وكذلك الحد الأقصى للرطوبة النسبية للنموذج التركيبي لأربعة أعوام (1990، 1991، 1993، 1994) كنوعا من التدريب أما البيانات المطلوب توقعاتها فهي الحد الأقصى لدرجات الحرارة اليومية والحد الأقصى للرطوبة النسبية من أي يوم من عام 1992 م ولقد تم احتساب نسبة الخطأ معتمدا على القيم المتوقعة والقيم الحقيقية

This paper present a Statistical Inductive Learning Simulator (SILS) to forecast the maximum daily temperature (maxdt) and the maximum daily relative humidity (maxrh) for the Saudi electrical company in Eastern Province Predicting and visualizing engineering parameters is an essential issue for the electrical company to search for modem ways to cut losses due to the extreme consumption of electrical energy during summer season The weather data that consist of 36 daily weather records (parameters) were provided by Meteorological Eastern Province of Saudi Arabia (METEP) SILS is a learning Abduction Induction Machine (AIM) which automatically models the data by training and evaluation The result is an automaticfunction (inputoutput relationship) based on a statistical model The study has stressed the use of different model settings such as Complexity Penalty Multiplier (CPM) number of layers and size of layers which is a part of the program The data has been trained for different number of parameters and manipulated by either destruction or construction models until optimum model was produced The predicted daily weather data of maximum daily temperature 'maxdt' and the maximum ralative humadity (maxrh) was provided to synthesizing model for four years (1990 1991 1993 1994) as training The desired data for the 'maxdt' and the (maxrh) of any day in year 1992 used for predictions Error percentage was calculated based on the estimated and actual data