Urban water demand forecasting and uncertainty assessment using ensemble wavelet-bootstrap-neural network models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
[1] A new hybrid wavelet-bootstrap-neural network (WBNN) model is proposed in this study for short term (1, 3, and 5 day; 1 and 2 week; and 1 and 2 month) urban water demand forecasting. The new method was tested using data from the city of Montreal in Canada. The performance of the WBNN method was compared with the autoregressive integrated moving average (ARIMA) and autoregressive integrated moving average model with exogenous input variables (ARIMAX), traditional NNs, wavelet analysis-based NNs (WNN), bootstrap-based NNs (BNN), and a simple naive persistence index model. The WBNN model was developed as an ensemble of several NNs built using bootstrap resamples of wavelet subtime series instead of raw data sets. The results demonstrated that the hybrid WBNN and WNN models produced significantly more accurate forecasting results than the traditional NN, BNN, ARIMA, and ARIMAX models. It was also found that the WBNN model reduces the uncertainty associated with the forecasts, and the performance of WBNN forecasted confidence bands was found to be more accurate and reliable than BNN forecasted confidence bands. It was found in this study that maximum temperature and total precipitation improved the accuracy of water demand forecasts using wavelet analysis. The performance of WBNN models was also compared for different numbers of bootstrap resamples (i.e., 25, 50, 100, 200, and 500) and it was found that WBNN models produced optimum results with different numbers of bootstrap resamples for different lead time forecasts with considerable variability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle