Forecasting Average Monthly Temperature Using Improved Gray Model (Case Study: Climatology Station of Qazvin Airport)

Document Type : Original Article

Authors

1 Msc. Student, Department of Industrial Engineering, Faculty of Industrial and Mechanical Engineering, Qazvin branch, Islamic Azad University, Qazvin, Iran

2 Associate Professor, Department of Industrial Engineering, Faculty of Industrial and Mechanical Engineering, Qazvin branch, Islamic Azad University, Qazvin, Iran.

10.30467/nivar.2018.120806.1081

Abstract

Forecasting Average Monthly Temperature Using Improved Gray Model
(Case Study: Climatology Station of Qazvin Airport)

Abstract
The theory of grey system is used when sufficient information of the community under study is not in hand. The grey forecast model is proper when the information variety is fix and certain. Grey model can apply some additional computations to improve forecasting activities when data is insufficient. Through using improved grey model, the assessment error decreases significantly. This study made use of the mean maximum monthly temperature data for April to September collected by Qazvin climatology station in airport, from 2001 to 2012. The aim was to forecast of the mean maximum monthly temperature for April to September in 2013. The findings revealed that the improved grey model (changeabl estarting point model and metabolism method) can increase the precision of forecasting the mean variable of maximum monthly temperature. Forecasts for April (20.9 versus 21.3 cellcious degree) and June (30.6 vs. 30.9 cellcious degree) had a good accuracy, while August and September's predictions were less trusted.
Key words: Forecast, gray model, metabolism, meteorology.

Keywords

Main Subjects

References

1-     جوانمرد، ح.، فقیدیان، س. ف.، پیش‌بینی قیمت نفت خام اوپک با بکارگیری مدل پیش‌بینی خاکستری، فصلنامه مدلسازی اقتصادی، شماره 27، صفحه 91 الی 114، 1393.
2-     خلیلی، ن.، خداشناس، س. ر.، داوری، ک. و موسوی‌بایگی، م.، پیش بینی بارش روزانه با استفاده از شبکه های عصبی مصنوعی مطالعه موردی: ایستگاه سینوپتیک مشهد، مجله پژوهش‌های آبخیزداری، شماره 89، صفحه 7 الی 15، 1389.
3-     علیاری‌شوره‌دلی، م.، تشنه‌لب، م. وخاکی‌صدیق، ع.،  پیش بینی کوتاه مدت آلودگی هوا با کمک شبکه‌های عصبی پرسپترون چندلایه وخط حافظه دار با تأخیر، مجموعه مقالات ششمین کنفرانس سیستم‌های هوشمند، دانشگاه شهید باهنر کرمان، صفحه 139 الی 164، 1383.
4-     کاظمی،‌ ع.، مدرس، م. و مهرگان، م. ر.، پیش‌بینی تقاضای انرژی بخش حمل و نقل با استفاده از مدل زنجیره مارکوف خاکستری: مطالعه‌ی موردی در ایران، مجله مدیریت صنعتی، شماره 7، صفحه 117 الی 132، 1390.
5-     محمدی، ع. و مولائی،‌ ن.، کاربرد تصمیم‌گیری چند معیاره خاکستری در ارزیابی عملکرد شرکت‌ها، مجله مدیریت صنعتی، شماره 2، 125 الی 142، 1389.
6-     ملک، ا. م.، دباغی، آ. و آریانژاد، م. ب. ق.، مبانی تئوری سیستم‌های خاکستری با مروری بر روش‌های عدم قطعیت، انتشارات ترمه، 1390.
7-    Deng, J. L. “Introduction to grey system theory”, The Journal of Grey System, Vol. 1,pp. 1–24, 1989.
8-    Huang, M., Yong, H., and Haiyan, C. “Predictive analysis on electric-power supp and   demand in China, Renewable Energy”, Vol. 32, pp. 1165-1174, 2007.
9-      Li, G. D., Yamaguchi, D., and Nagai, M. A. “GM(1,1)–Markov chain combined model with an application to predict   the number of Chinese international airlines”, Technological Forecasting & Social Change, Vol. 74, pp. 1465-1481, Oct. 2007.
10-     Liu, X., Peng, H., Bai, Y., Zhu, Y., and Liao, L. “Tourism Flows Prediction Based on an Improved Grey GM(1,1) Mode”, Procedia - social and behavioral sciences, Vol. 138, pp. 767 – 775, 2014.
11-     Tongyuan, H., and Yue, W. “Forecasting model of urban traffic accidents based on grey model-GM (1, 1)”, Institute of Computer, Second Workshop on Digital Media and its Application in Museum & Heritages , pp. 438-441, Dec. 2007.
12-     Wang, Y., and Liu, C., “Preliminary Research on Aging Population and Flexible Retirement Policy of Shanghai”, IERI Procedia, Vol. 2, pp. 455-459, 2012.
13-Haozheng,  S., Yanjun, J., and Qingzhe1 J. “The Combined Model of Gray Theory and Neural Network  which is based Matlab Software for Forecasting of Oil Product Demand”, The Second China Energy Scientist Forum, pp. 115-160, Jan. 2010
Nivar
Volume 42, 102-103
September 2018
Pages 1-8

Files

History

  • Receive Date: 26 February 2018
  • Revise Date: 27 July 2018
  • Accept Date: 24 November 2018
  • First Publish Date: 24 November 2018

Share

How to cite

Statistics