Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Journal of Water and Land Development

1 2016

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: ekstremalne maszyny uczące się

Sortuj według:

Ogranicz wyniki do:

Water demand forecasting using extreme learning machines

Tiwari M., Adamowski J., Adamowski K.

Journal of Water and Land Development

2016

no. 28

37--52

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.

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.