×
布鲁诺·M·布伦坦。;埃德瓦·朱·卢维佐托（Edevar jun Luvizotto）。;曼纽尔·埃雷拉;约阿昆·伊兹基尔多;佩雷斯·加西亚，拉斐尔

近实时城市需水量预测的混合回归模型。 （英语） Zbl 1353.62136号

J.计算。申请。数学。 309, 532-541 (2017).
概要：规划和运行配水系统的最重要因素是满足用户需求。这意味着在合理的压力下持续向用户提供足量的优质水，从而确保可靠的配水。近年来，统计、机器学习和人工智能方法在需水量预测中的应用得到了促进。然而，仍有改进的余地；在需水量在线预测模型方面出现了新的挑战。这项工作建议应用支持向量回归，作为当前短期需水量预测的较好机器学习选项之一，来建立基础预测。在此模型上，建立了傅里叶时间序列过程，以改进基本预测。这一添加产生了一种工具，能够在响应新的传入时间序列数据时消除固定回归结构中固有的许多错误和许多偏差。最后的混合工艺是使用巴西弗朗卡一家水务公司的需求数据进行验证的。我们的模型是一个近实时的水需求模型，可以直接用于水管理决策过程。

引用于4文件

MSC公司：

第62页第20页 统计学在经济学中的应用
62M20型 随机过程推断和预测
68T05型 人工智能中的学习和自适应系统

关键词：

需求预测;供水;傅里叶级数;支持向量回归;近实时算法

软件：

伦敦银行支持向量机
PDF格式BibTeX公司 XML格式引用
\textit{B.M.Brentan}等人，J.Compute。申请。数学。309532-541（2017；Zbl 1353.62136）
全文： 内政部

参考文献：

[1] Behboudian，S.公司。；Tabesh，M。；法拉赫内扎德，M。；Ghavanini，F.A.，《使用人工神经网络预处理对生活用水需求进行长期预测》，《供水研究技术杂志》。，63, 1, 31-42 (2014)
[2] Klempous，R。；Kotowski，J。；尼科德姆，J。；Ułasiewicz，J.，《配水系统运行控制的优化算法》，J.Compute。申请。数学。，84, 1, 81-99 (1997) ·Zbl 0893.76068号
[3] 奥丹，F。；Reis，L.，将人工神经网络与傅里叶级数相结合的混合需水量预测模型，J.water。资源。计划。管理。，138, 3, 245-256 (2012)
[4] 盒子，G.P。；Jenkins，G.M.，《时间序列分析：预测与控制》（1976），霍尔登·戴·兹伯利0363.62069
[5] 阿尔维西，S。；Franchini，M。；Marinelli，A.，《短期、基于模式的需水量预测模型》，J.Hydroinform。，9, 1, 39-50 (2007)
[6] Voitcu，O。；Wong，Y.S.，《关于非线性递归预测器的构造》，J.Compute。申请。数学。，190, 1, 393-407 (2006) ·兹比尔1082.62082
[7] 蒂瓦里，M。；Adamowski，J.，《使用集合小波-陷阱机器学习方法利用有限数据进行中期城市需水量预测》，J.water。资源。计划。管理。，141, 2, 04014053 (2015)
[8] Bennett，C。；Stewart，R.A。；Beal，C.D.，基于人工神经网络的住宅用水最终需求预测模型，专家系统。申请。，40, 4, 1014-1023 (2013)
[9] 周，S。；T·麦克马洪。；Walton，A。；Lewis，J.，《城市供水区运营需求预测》，J.Hydrol。，259, 1, 189-202 (2002)
[10] Herrera，M。；托戈，L。；伊兹基尔多，J。；Pérez-García，R.，《城市小时需水量预测模型》，J.Hydrol。，387, 1-2, 141-150 (2010)
[11] Msiza，I.S.公司。；Nelwamondo，F.V。；Marwala，T.，《需水量时间序列预测的人工神经网络和支持向量机》，（2007年）。国际标准行业分类。IEEE国际系统、人与控制论会议（2007），IEEE，638-643
[12] 涂乔，C.L.Z.，基于贝叶斯最小二乘支持向量机的小时需水量预测模型，天津大学，9，005（2006）
[13] Banicescu，I。；卡里尼奥，R.L。；哈维尔，J.L。；Lestrade，J.P.，研究向量非线性时间序列模型的渐近性质，J.Compute。申请。数学。，236, 3, 411-421 (2011) ·Zbl 1231.62158号
[14] Herrera，M。；加西亚·迪亚斯，J。；伊兹基尔多，J。；Pérez-García，R.，《城市需水量预测：干预时间序列工具》，斯托克。分析。申请。，29, 6, 998-1007 (2011) ·Zbl 1232.62158号
[15] 蒙塔尔沃，I。；Deuerlein，J.，《配水系统在线模拟驱动》，Procedia Eng.，70，1183-1191（2014）
[16] 马谢尔，J。；Mounce，S。；Boxall，J.，《配水系统的在线建模：英国案例研究》，《饮料》。水利工程科学。，3, 21-27 (2010)
[17] López-Ibáñez，M。；Prasad，T.D。；Paechter，B.，供水管网中水泵优化控制的蚁群优化，J.water。资源。计划。管理。，134, 4, 337-346 (2008)
[19] Okeya，I。；Z.卡普兰。；Hutton，C。；Naga，D.，使用数据同化对配水系统进行在线建模，Procedia Eng.，701261-1270（2014）
[20] Herrera，M。；伊兹基尔多，J。；佩雷兹·加西亚，R。；阿亚拉·卡布雷拉，D.，《智能城市城市需水量预测核心模型的在线学习》，Procedia Eng.，70，791-799（2014）
[22] 海，S。；金·R。；赵，P。；Yang，T.，在线多核分类，马赫。学习。，90, 2, 289-316 (2013) ·Zbl 1260.68332号
[23] Zhang，G.P.，使用arima和神经网络混合模型的时间序列预测，神经计算，50159-175（2003）·Zbl 1006.68828号
[24] Aladag，C.H。；Egrioglu，E。；Kadilar，C.，用混合方法预测非线性时间序列，应用。数学。莱特。，22, 9, 1467-1470 (2009) ·Zbl 1173.62323号
[25] 尼托，P.G。；García-Gonzalo，E。；Fernández，J.A。；Muñiz，C.D.，一种基于混合PSO优化SVM的模型，用于从跑道实验数据预测钝顶螺旋藻的成功生长周期，J.Compute。申请。数学。，293-303 (2016) ·Zbl 1329.92105号
[27] Schölkopf，B。；Smola，A.J.，《使用内核的学习：支持向量机、正则化、优化和超越》（Adaptive Computation and Machine Learning，2002），麻省理工学院出版社：麻省理学院出版社，马萨诸塞州剑桥，美国）
[28] 肖-泰勒，J。；Cristianini，N.，《模式分析的核心方法》（2006），剑桥大学出版社
[29] Schölkopf，B.，《距离的内核技巧》，技术代表（2000），微软研究院
[30] Luvizotto，E.，用于计算模拟的液压机特性曲线的表示（1992年），圣保罗大学（博士论文）
[31] Lin，H.-T。；Lin，C.-J.，支持向量机的Sigmoid核研究和SMO型方法对非PSD核的训练。国立台湾大学计算机科学系技术报告（2003），网址：http://www.csie.ntu.edu.tw/cjlin/papers/tanh.pdf
[32] Wang，J。；吴，X。；Zhang，C.，《基于k-means聚类的实时商业智能系统支持向量机》，国际期刊Bus。智力。数据最小值，1,154-64（2005）
[34] 张杰。；宋，R。；北爱尔兰巴斯卡。；French，M.N.，《短期需水量预测：案例研究》（第八届年度配水系统分析研讨会（2006年），ASCE图书馆：辛辛那提ASCE图书馆）
[35] Al-Zahrani，文学硕士。；Abo-Monasar，A.，基于人工神经网络和时间序列模型的城市居民需水量预测，水资源。管理。，29, 3651-3662 (2015)
[36] 贝克，M。；Van Duist，H。；Van Schagen，K。；弗瑞堡，J。；Rietveld，L.，《利用天气输入改善需水量预测模型的性能》，《Procedia Eng.》，70，93-102（2014）
[37] Chang，C.-C。；Lin，C.-J.，Libsvm:支持向量机库，ACM Trans。智力。系统。技术。，2, 3, 27 (2011)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。