Comparison of Multivariate Regression and Artificial Neural Networks for Peak Urban Water-Demand Forecasting: Evaluation of Different ANN Learning Algorithms
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
For the past several years, Cyprus has been facing an unprecedented water crisis. Four options that have been considered to help resolve the problem of drought in Cyprus include imposing effective water use restrictions, implementing water-demand reduction programs, optimizing water supply systems, and developing sustainable alternative water source strategies. An important aspect of these initiatives is the accurate forecasting of short-term water demands, and in particular, peak water demands. This study compared multiple linear regression and three types of multilayer perceptron artificial neural networks (each of which used a different type of learning algorithm) as methods for peak weekly water-demand forecast modeling. The analysis was performed on 6 years of peak weekly water-demand data and meteorological variables (maximum weekly temperature and total weekly rainfall) for two different regions (Athalassa and Public Garden) in the city of Nicosia, Cyprus. 20 multiple linear regression models, 20 Levenberg-Marquardt artificial neural network (ANN) models, 20 resilient back-propagation ANN models, and 20 conjugate gradient Powell-Beale ANN models were developed, and their relative performance was compared. For both the Athalassa and Public Garden regions in Nicosia, the Levenberg-Marquardt ANN method was found to provide a more accurate prediction of peak weekly water demand than the other two types of ANNs and multiple linear regression. It was also found that the peak weekly water demand in Nicosia is better correlated with the rainfall occurrence rather than the amount of rainfall itself.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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