یکی از مسائل اساسی در مدیریت منابع آب، پیش‌بینی بلند مدت جریان است. در تحقیق حاضر برای افزایش دقت پیش‌بینی‌های ماهانه جریان بهاره ورودی به سد سیمره از دیدگاه ترکیب مدل‌ها استفاده شده است. برای این منظور، پنج مدل داده مبنا شامل شبکه عصبی مصنوعی، شبکه عصبی رگرسیون تعمیم یافته، رگرسیون بردار پشتیبان، K نزدیک‌ترین همسایگی و رگرسیون خطی با ساختار بهینه به عنوان مدل‌های منفرد برای پیش‌بینی جریان مورد استفاده قرار گرفتند. در این تحقیق، برای ترکیب نتایج مدل‌های مذکور از استراتژی وزن‌دهی به مدل‌های منفرد بر اساس روش Orness Method استفاده شده است. در این روش، وزن‌ها بر اساس حل یک مدل بهینه‌سازی غیرخطی با روش الگوریتم ژنتیک محاسبه می‌شوند. نتایج این روش با دو استراتژی دیگر شامل استراتژی ترکیب مدل‌ها با شبکه عصبی مصنوعی و استراتژی انتخاب بهترین مدل منفرد مقایسه شد. نتایج نشان می‌دهند که بکارگیری روش Orness Method سبب افزایش قابل ملاحظه‌ای در دقت نتایج پیش‌بینی در مقایسه با دو استراتژی دیگر می‌شود؛ به‌طوری که دقت نتایج پیش‌بینی جریان برای فروردین، اردیبهشت و خردادماه به ترتیب80% ، 34% و 24% نسبت به استراتژی انتخاب بهترین نتایج مدل‌های منفرد و 65% ، 75% و 24% نسبت به استراتژی بکارگیری شبکه عصبی افزایش یافته است.

کلمات کلیدی