Wyniki wyszukiwania - BazTech

1

Water demand forecasting using extreme learning machines

Tiwari M., Adamowski J., Adamowski K.

Journal of Water and Land Development

|

2016

|

no. 28

37--52

EN

The capacity of recently-developed extreme learning machine (ELM) modelling approaches in forecasting daily urban water demand from limited data, alone or in concert with wavelet analysis (W) or bootstrap (B) methods (i.e., ELM, ELMW, ELMB), was assessed, and compared to that of equivalent traditional artificial neural network-based models (i.e., ANN, ANNW, ANNB). The urban water demand forecasting models were developed using 3-year water demand and climate datasets for the city of Calgary, Alberta, Canada. While the hybrid ELMB and ANNB models provided satisfactory 1-day lead-time forecasts of similar accuracy, the ANNW and ELMW models provided greater accuracy, with the ELMW model outperforming the ANNW model. Significant improvement in peak urban water demand prediction was only achieved with the ELMW model. The superiority of the ELMW model over both the ANNW or ANNB models demonstrated the significant role of wavelet transformation in improving the overall performance of the urban water demand model.

PL

Oceniono zdolność modelowania z użyciem ekstremalnej maszyny uczącej się (ELM) stosowanej samodzielnie bądź w połączeniu z analizą falkową (W) lub metodami bootstrapowymi (B) (tzn. ELM, ELMW, ELMB) do przewidywania dobowego zapotrzebowania na wodę w mieście. Wyniki porównano z uzyskanymi tradycyjnymi metodami bazującymi na sztucznych sieciach neuronowych (tzn. ANN, ANNW, ANNB). Modele przewidujące zapotrzebowanie na wodę zbudowano z wykorzystaniem trzyletniego zapotrzebowania na wodę i zestawu danych klimatycznych dla miasta Calgary w kanadyjskiej prowincji Alberta. Hybrydowe modele ELMB i ANNB zapewniały satysfakcjonujące prognozy jednodniowe o podobnej dokładności, natomiast wyniki uzyskane z zastosowaniem modeli ELMW i ANNW były bardziej dokładne, przy czym model ELMW okazał się lepszy niż ANNW. Istotną poprawę prognozowania szczytowego zapotrzebowania na wodę w mieście uzyskano jedynie z zastosowaniem modelu ELMW. Wyższość modelu ELMW nad modelami ANNW czy ANNB dowodzi znaczącej roli transformacji falkowej w usprawnianiu działania modeli prognozujących zapotrzebowanie na wodę w mieście.

2

A wavelet-SARIMA-ANN hybrid model for precipitation forecasting

Shafaei M., Adamowski J., Fakheri-Fard M., Dinpashoh Y., Adamowski K.

Journal of Water and Land Development

|

2016

|

no. 28

27--36

EN

Given its importance in water resources management, particularly in terms of minimizing flood or drought hazards, precipitation forecasting has seen a wide variety of approaches tested. As monthly precipitation time series have nonlinear features and multiple time scales, wavelet, seasonal auto regressive integrated moving average (SARIMA) and hybrid artificial neural network (ANN) methods were tested for their ability to accurately predict monthly precipitation. A 40-year (1970–2009) precipitation time series from Iran’s Nahavand meteorological station (34°12’N lat., 48°22’E long.) was decomposed into one low frequency subseries and several high frequency sub-series by wavelet transform. The low frequency sub-series were predicted with a SARIMA model, while high frequency subseries were predicted with an ANN. Finally, the predicted subseries were reconstructed to predict the precipitation of future single months. Comparing model-generated values with observed data, the wavelet-SARIMA-ANN model was seen to outperform wavelet-ANN and wavelet-SARIMA models in terms of precipitation forecasting accuracy.

PL

Prognozowanie opadów, ze względu na ich znaczenie w gospodarce zasobami wodnymi, szczególnie w zmniejszaniu ryzyka powodzi czy susz, było już przedmiotem wielu badań. Serie miesięcznych opadów mają właściwości nieliniowe i różne skale czasowe, w związku z czym przetestowano różne metody: wavelet, metodę zintegrowanej sezonowej autoregresji z ruchomą średnią (SARIMA) i hybrydową metodę sztucznych sieci neuronowych (ANN) pod kątem ich zdolności do dokładnego przewidywania miesięcznych opadów. Czterdziestoletnią (1970–2009) serię opadów z irańskiej stacji meteorologicznej w Nahavand (34°12’N, 48°22’E) rozłożono na jedną podserię o niskiej częstotliwości i kilka podserii o wysokiej częstotliwości występowania opadów przez transformację falkową. Podserie o niskiej częstotliwości prognozowano za pomocą modelu SARIMA, podczas gdy podserie o wysokiej częstotliwości prognozowano, stosując ANN. Na koniec prognozowane podserie zrekonstruowano celem przewidywania opadów w poszczególnych miesiącach w przyszłości. Porównanie wartości generowanych przez model z danymi z obserwacji wykazało lepszą dokładność prognozowania opadów za pomocą modelu wavelet-SARIMA-ANN niż za pomocą modeli wavelet-ANN i wavelet-SARIMA.

3

Executive environment of distributed object database MUTDOD

Koszela J., Góralczyk M., Jasiorowski M., Karpiński M., Wróbel E., Adamowski K., Bryzek J., Budzyn M., Małek M.

Studia Informatica

|

2011

|

Vol. 32, nr 3B

77-87

EN

This paper contains an overall view of main elements of an executive environment of distributed object database MUTDOD (Military University of Technology Distributed Object Database), which is designing at Military University of Technology in Warsaw.

PL

Materiał zawiera ogólny zarys głównych mechanizmów środowiska wykonawczego rozproszonej, obiektowej bazy danych MUTDOD (ang. Military University of Technology Distributed Object Database), która jest tworzona w Wojskowej Akademii Technicznej w Warszawie.